DSEBO: Incorporamento Casuale Automatico per l'Ottimizzazione Bayesiana ad Alta Dimensionalità
Un nuovo metodo chiamato Dynamic Shared Embedding Bayesian Optimization (DSEBO) affronta la sfida della dimensione effettiva sconosciuta nell'ottimizzazione bayesiana ad alta dimensionalità. L'incorporamento casuale tradizionale richiede una conoscenza preliminare della dimensione effettiva per selezionare la dimensionalità del sottospazio, spesso basandosi su input di esperti o su costosi tentativi ed errori. DSEBO inizia con un sottospazio a bassa dimensionalità e passa dinamicamente a una dimensione superiore se le soluzioni nel sottospazio corrente sono insoddisfacenti. Questo approccio automatizzato elimina la necessità di specificare in anticipo la dimensione effettiva, migliorando efficienza e prestazioni. L'articolo è disponibile su arXiv con identificatore 2605.23473.
Fatti principali
- L'ottimizzazione bayesiana soffre della maledizione della dimensionalità.
- L'incorporamento casuale semplifica l'ottimizzazione utilizzando un sottospazio a bassa dimensionalità.
- Determinare in anticipo la dimensione effettiva è una sfida significativa.
- I metodi tradizionali utilizzano dimensioni fisse del sottospazio o tentativi ed errori.
- DSEBO inizia con una dimensione bassa e passa a sottospazi superiori secondo necessità.
- DSEBO sta per Dynamic Shared Embedding Bayesian Optimization.
- L'articolo è su arXiv con ID 2605.23473.
- Il metodo è proposto per l'ottimizzazione bayesiana ad alta dimensionalità con dimensione effettiva sconosciuta.
Entità
Istituzioni
- arXiv