כתבה
arXiv cs.LG ·
אופטימיזציה Bayesiana באמצעות מודלי גאוסיאני של חוקרים-אקספרטים עם קאליברציה של תוחבות
Bayesian Optimisation Using Product-of-Experts Gaussian Process Models with Uncertainty Calibration
אופטימיזציה Bayesiana המשתמשת במודלי גאוסיאני של חוקרים-אקספרטים עם קאליברציה של תוחבות. המאמר עוסק בפיתוח של אלגוריתם לאופטימיזציה Bayesiana המשתמש במודלים אלה. התוצאות המחקריות מציגות תוצאות טובות יותר מאלגוריתם קודם שהשתמש במודל גאוסיאני יחיד.
תקציר מקורי באנגליתarXiv:2609.15555v1 Announce Type: new Abstract: Bayesian optimisation (BO) typically relies on a single global Gaussian process (GP) model as its surrogate model. However, GP regression has cubic computational complexity in the number of training data points, limiting its applicability to large-scale optimisation problems. The product-of-experts Gaussian process model with uncertainty calibration (GP-pro-c) mitigates this limitation by combining multiple local GP experts, enabling improved uncertainty quantification, reduced computational cost, and preservation of global correlations. Despite these desirable properties, the use of GP-pro-c in BO has not been thoroughly studied. This paper introduces BO-pro-c, a Bayesian optimisation algorithm that uses GP-pro-c as its surrogate model, and
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית