一种统一的信息论方法：用于受约束的多保真多目标贝叶斯优化
A Unified Information-Theoretic Approach to Constrained Multi-Fidelity Multi-Objective Bayesian Optimization
精选理由
统一信息论框架实现约束、多保真多目标优化的成本感知采样。
AI 摘要
arXiv:2610.10174v1 公告类型：新 摘要：贝叶斯优化通常涉及多个目标、约束和保真度级别。我们针对这一综合场景，解决如何联合选择评估位置及评估保真度，以识别最高保真度下的可行 Pareto 前沿这一挑战。从统一的信息论视角出发，我们通过观测所提供的关于该前沿的信息增益来衡量查询效用。由于这一互信息难以处理，我们利用对 Pareto 一致区域进行欠截断和过截断近似的混合，推导出一个变分下界。多保真代理模型将信息传播至任意保真度，从而得到一种具备成本意识的采集函数，无需针对保真度选择或约束处理分别设计启发式方法。在合成问题、基准问题和实际问题上的实验表明，该方法在多种目标、约束和保真度设置下均表现有效。