先收敛后多样：多目标贝叶斯优化中收敛与多样性的解耦

事件

多目标贝叶斯优化（MOBO）是一种面向昂贵黑箱函数、样本效率较高的优化方法，目标是用尽量少的评估次数逼近帕累托前沿，即得到一组既收敛（贴近前沿）又多样（覆盖前沿）的解。现有方法通常同时追求收敛与多样性，在搜索预算充足时效果不错，但预算紧张时往往没有足够多的解来同时逼近整条前沿。

针对这一问题，研究者提出“先收敛后多样”（converge-then-diversify，CTD）方法，把收敛和多样性解耦为两个阶段。第一阶段专注收敛，快速把搜索推向帕累托前沿上的某一个点；第二阶段专注多样性，让解沿前沿铺开。作者利用该领域常用的采集函数给出了两种简单实现，并在实验中验证了效果。

这项工作的价值在于，它把“先找到前沿、再铺满前沿”的思路显式化，为预算受限场景下的多目标优化提供了更可控的策略。对于需要反复调用昂贵仿真或实验的工程优化任务，CTD 有望减少评估次数，同时兼顾解的质量与覆盖范围，值得关注其后续在真实问题上的表现。

来源

本条目由采集管线自动抓取并发布，完整内容见下方来源链接。

*采集源：arXiv cs.AI*