다양한 목표를 가진 bayesian 최적화에서 유사성과 다양성을 분리하는 방법

Multi-목적 베이지안 최적화(MOBO)는 여러 목적을 가진 비결정적 함수를 최적화하는 효율적인 접근 방식입니다. MOBO의 목표는 파레토 전면을 충분히 근사화하는 것입니다. 즉, 1) 좋은 수렴성(파레토 전면 근접성)과 2) 좋은 다양성(파레토 전면에 걸쳐있는 다양성)을 갖춘 높은 품질의 해결책 집합을 얻는 것입니다. 기존의 MOBO 방법들은 일반적으로 이러한 두 가지 과제를 동시에 해결하려고 합니다. 즉, 파레토 전면을 향한 검색을 유지하면서 비결정적 솔루션의 다양한 집합을 유지하여, 솔루션들이 완전한 전면에 점진적으로 접근할 수 있습니다. 충분한 검색 예산이 있는 경우 이 접근법은 효과적입니다. 그러나 수렴성과 다양성을 동시에 고려하는 것은 어렵고 cuidful한 설계가 필요합니다. 매우 제한된 예산이 있는 경우에는 전면의 모든 부분을 동시에 접근할 수 있는 솔루션을 생성할 수 없습니다. 이 문제를 해결하기 위해 이 논문은 수렴-그룹화(converge-then-diversify) 접근법(CTD)을 제안합니다. 이 접근법은 수렴성과 다양성을 두 단계로 분리합니다. 첫 번째 단계에서 CTD는 수렴성을 목표로 하여 파레토 전면의 단일 점을 빠르게 향하게 합니다. 두 번째 단계에서 CTD는 다양성을 목표로 하여 전면에 걸쳐있는 솔루션을 확산합니다. 우리는 두 가지 간단한 CTD의 구현을 제안합니다. 실험 결과는 446개의 pair-wise 비교에서 CTD가 72.9%의 경우에서 최신 방법보다 통계적으로 우수합니다. 21.1%의 경우에서 동등하고, 6.1%의 경우에서 통계적으로 더 나쁩니다. 이점은 특히 평가 예산이 매우 제한된 경우 또는 고차원 문제의 경우에 특히 뚜렷합니다.