Este artículo explora la varianza posterior inflada cerca del límite en procesos gaussianos, atribuyendo su causa a la truncación del vecindario de correlación del kernel. Demuestra cómo esta distorsión geométrica crea un sesgo de adquisición, afectando los patrones de selección independientemente de las funciones objetivo.
Este artículo explora la Optimización Bayesiana para problemas de optimización caros y no convexos con simetrías. Propone un enfoque de Optimización Bayesiana Invariante a la Permutación basado en Transporte Óptimo, aplicado específicamente al diseño de la disposición de parques eólicos marinos.
Esta investigación presenta la Optimización Bayesiana por Región de Confianza Guiada por Memoria (MG-TuRBO) para abordar problemas de optimización costosos y de alta dimensión, como la calibración de simulaciones de tráfico. Compara el MG-TuRBO con otros métodos de optimización bayesiana y algoritmos genéticos en escenarios de tráfico del mundo real.
Este artículo introduce la Optimización Bayesiana Meta con Intervención Humana (HL-MBO), un marco que integra el conocimiento experto con el aprendizaje automático de pocas tomas para acelerar el descubrimiento en dominios científicos con escasez de datos. Se demuestra que HL-MBO supera los métodos actuales de optimización bayesiana en la optimización del rendimiento de energía de fusión y en otros puntos de referencia.
Este artículo presenta ReElicit, un marco de optimización bayesiana basado en "incrustación por elicitation" para ajustar los prompts del sistema en IA. Utiliza LLMs para elicitar un espacio de características interpretable y un sustituto de proceso gaussiano para seleccionar y refinar prompts a partir de comentarios agregados.