[论文解读] Multi-Information Source Optimization with General Model Discrepancies

Matthias Poloczek, Jialei Wang+1 more|arXiv (Cornell University)|Mar 1, 2016

Advanced Multi-Objective Optimization Algorithms参考文献 22被引用 3

一句话总结

本文提出了一种新颖的优化算法，用于处理具有模型差异的多信息源问题，通过严格的效益信息分析来平衡探索成本与预期收益。该方法在减少探索成本的同时实现了更高的目标值，优于当前最先进的方法。

ABSTRACT

In the multi-information source optimization problem our goal is to optimize a complex design. However, we only have indirect access to the objective value of any design via information sources that are subject to model discrepancy, i.e. whose internal model inherently deviates from reality. We present a novel algorithm that is based on a rigorous mathematical treatment of the uncertainties arising from the model discrepancies. Its optimization decisions rely on a stringent value of information analysis that trades off the predicted benefit and its cost. We conduct an experimental evaluation that demonstrates that the method consistently outperforms other state-of-the-art techniques: it finds designs of considerably higher objective value and additionally inflicts less cost in the exploration process.

研究动机与目标

• 解决在仅通过具有固有模型差异的多个信息源才能获取目标值时，复杂设计优化的挑战。
• 开发一种决策框架，严格考虑来自各信息源模型差异的不确定性。
• 在最小化探索成本的同时，通过明智地选择信息源来最大化目标值的预期提升。

提出的方法

• 该方法对信息源之间由于模型差异引起的不确定性进行数学处理。
• 利用效益信息分析量化查询每个信息源相对于其成本的预期收益。
• 该算法基于预测改进与获取成本之间的权衡，动态选择信息源。
• 将差异建模为相对于现实的随机偏差，并将其整合到概率优化框架中。
• 该方法结合贝叶斯推断与成本感知的获取函数，优先选择高价值、低成本的查询。

实验结果

研究问题

• RQ1 当目标评估仅通过多个不准确的信息源获得时，如何有效优化复杂设计？
• RQ2 在存在模型差异的情况下，探索成本与目标值预期提升之间的最优权衡是什么？
• RQ3 如何严格建模并将其纳入优化决策过程中的模型差异不确定性？

主要发现

• 所提出的方法在多信息源优化中始终实现比当前最先进技术更高的目标值。
• 它降低了探索过程的整体成本，需要更少且更具策略性的查询。
• 效益信息分析实现了更高效的源选择，从而加快了向高质量设计的收敛速度。
• 该方法在具有不同模型差异水平的多样化问题实例中表现出稳健的性能。