PolyBO: Accelerare l'Ottimizzazione Bayesiana con Dati Pseudo-Sperimentali
Un nuovo metodo chiamato PolyBO mira ad accelerare l'ottimizzazione bayesiana (BO) generando dati pseudo-sperimentali di alta qualità anche quando sono disponibili solo dati sperimentali limitati. La BO è una tecnica di ottimizzazione sequenziale che bilancia esplorazione e sfruttamento, comunemente utilizzata per la regolazione degli iperparametri nel deep learning. Tuttavia, nella scienza sperimentale pratica, ogni valutazione può essere costosa e dispendiosa in termini di tempo, portando a una scarsa convergenza. Approcci recenti hanno utilizzato dati pseudo-sperimentali per accelerare l'ottimizzazione, ma la qualità di tali dati risente della scarsità di esperimenti reali. PolyBO affronta questo problema utilizzando una regressione polinomiale adattiva per generare dati pseudo-affidabili, consentendo una BO più efficiente con un budget di valutazione limitato. Il metodo è descritto in un preprint su arXiv (2607.22238).
Fatti principali
- PolyBO è un nuovo metodo di ottimizzazione bayesiana.
- Utilizza dati pseudo-sperimentali guidati da regressione polinomiale adattiva.
- Il metodo mira a migliorare i tempi di ottimizzazione quando i dati sperimentali sono limitati.
- L'ottimizzazione bayesiana bilancia esplorazione e sfruttamento.
- La BO convenzionale può convergere male in contesti sperimentali costosi.
- PolyBO genera dati pseudo di alta qualità anche con pochi tentativi.
- La ricerca è pubblicata su arXiv con ID 2607.22238.
- L'articolo è un annuncio di tipo cross-type.
Entità
Istituzioni
- arXiv