Cet article examine la variance postérieure gonflée près de la frontière dans les processus gaussiens, attribuant la cause à la troncation du voisinage de corrélation du noyau. Il montre comment cette distorsion géométrique crée un biais d'acquisition, affectant les schémas de sélection indépendamment des fonctions objectives.
Cet article étudie l'optimisation bayésienne pour les problèmes d'optimisation coûteux, boîte noire et non convexes présentant des symétries. Il propose une approche d'optimisation bayésienne invariante par permutation basée sur le transport optimal, appliquée spécifiquement à la conception de l'agencement des parcs éoliens offshore.
Cette recherche introduit l'optimisation bayésienne par région de confiance guidée par la mémoire (MG-TuRBO) pour résoudre des problèmes d'optimisation coûteux et de grande dimension, tels que la calibration de simulations de trafic. L'étude compare les performances de MG-TuRBO avec d'autres méthodes d'optimisation bayésienne et des algorithmes génétiques sur des scénarios de trafic réels.
Cet article présente l'Optimisation Bayésienne Méta avec Intervention Humaine (HL-MBO), un cadre qui intègre les connaissances d'experts avec l'apprentissage automatique en peu d'exemples pour accélérer la découverte dans les domaines scientifiques à données rares. Il est démontré que HL-MBO surpasse les méthodes d'optimisation bayésienne actuelles dans l'optimisation du rendement énergétique de la fusion et d'autres benchmarks.
Cet article présente ReElicit, un cadre d'optimisation bayésienne basé sur l'"embedding par élicitation" pour l'ajustement des prompts système en IA. Il utilise des LLM pour créer un espace de caractéristiques interprétable et un substitut de processus gaussien pour sélectionner et affiner les prompts basés sur des retours agrégés.