Dieses Papier untersucht die erhöhte posteriore Varianz nahe der Grenze in Gaußschen Prozessen und führt die Ursache auf die Trunkierung des Kernel-Korrelationsbereichs zurück. Es zeigt, wie diese geometrische Verzerrung eine Erwerbsverzerrung erzeugt, die Auswahlmuster unabhängig von Zielfunktionen beeinflusst.
Diese Arbeit untersucht die Bayes'sche Optimierung für aufwendige, Black-Box- und nicht-konvexe Optimierungsprobleme mit Symmetrien. Sie schlägt einen optimalen Transport-basierten Permutations-invarianten Bayes'schen Optimierungsansatz vor, der speziell auf das Layout-Design von Offshore-Windparks angewendet wird.
Diese Forschung stellt Memory-Guided Trust-Region Bayesian Optimization (MG-TuRBO) vor, um hochdimensionale, kostspielige Optimierungsprobleme wie die Kalibrierung von Verkehrssimulationen anzugehen. Sie vergleicht MG-TuRBO mit anderen Bayesschen Optimierungsverfahren und genetischen Algorithmen in realen Verkehrsszenarien.
Dieses Papier stellt die Human-in-the-Loop Meta Bayesian Optimization (HL-MBO) vor, ein Framework, das Expertenwissen mit Few-Shot-Maschinenlernen kombiniert, um die Entdeckung in datenarmen wissenschaftlichen Bereichen zu beschleunigen. Es übertrifft aktuelle BO-Methoden bei der Optimierung des Fusionsenergieertrags sowie bei Benchmarks in der Moleküloptimierung und Supraleitung.
Dieser Artikel stellt ReElicit vor, ein Bayes'sches Optimierungsframework basierend auf "Embedding durch Elicitation" zur Abstimmung von System-Prompts in KI. Es nutzt LLMs, um einen interpretierbaren Merkmalsraum zu generieren und einen Gaußschen Prozess-Surrogat, um Prompts basierend auf aggregiertem Feedback auszuwählen und zu verfeinern.