基于数据驱动的先验学习在贝叶斯优化中的应用

使用转移学习方法的贝叶斯优化，不再需要任务间有相似最优输入的强假设，而是只需假设优化空间的形状相似，通过学习高斯过程代理模型的超参数先验，能更好地逼近潜在函数，特别是对于少量函数评估。我们通过使用合成数据和最近的一个空气污染优化问题作为基准，验证了学到的先验模型，并与多种转移学习方法进行了比较，结果显示 PLeBO 和先验转移方法在较少的评估次数中找到了好的输入。