Optimisation parallèle de processus gaussiens avec limite de confiance supérieure et exploration pure.

Résumé Dans cet article, nous considérons le défi de maximiser une fonction inconnue f pour laquelle les évaluations sont bruyantes et sont acquises avec un coût élevé. Une procédure itérative itérative utilise les mesures précédentes pour sélectionner activement la prochaine estimation de f qui est prédite comme étant la plus utile. f qui est prédite comme étant la plus utile. Nous nous concentrons sur le cas où la Nous nous concentrons sur le cas où la fonction peut être évaluée en parallèle avec des lots de taille fixe. l'avantage par rapport à la procédure purement séquentielle en termes de regret cumulatif. cumulatif. Nous présentons l'algorithme d'exploration pure et de limite supérieure de confiance par processus gaussien (GP-UCC). d'exploration pure (GP-UCB-PE) qui combine la stratégie UCB et l'exploration pure dans le même lot d'évaluations. exploration pure dans le même lot d'évaluations au cours des itérations parallèles. Nous Nous prouvons des limites supérieures théoriques sur le regret avec des lots de taille K pour cette procédure. K pour cette procédure qui montre une amélioration de l'ordre de sqrt{K} pour des coût d'itération fixe par rapport aux versions purement séquentielles. De plus, les constantes multiplicatives multiplicatives impliquées ont la propriété d'être sans dimension. Nous confirmons également Nous confirmons également de manière empirique l'efficacité de GP-UCB-PE sur des problèmes réels et synthétiques par rapport aux concurrents de pointe. par rapport aux concurrents de l'état de l'art.