#今日论文推荐# ICML 2022 | Meta提出鲁棒的多目标贝叶斯优化方法，有效应对输入噪声

#今日论文推荐# ICML 2022 | Meta提出鲁棒的多目标贝叶斯优化方法，有效应对输入噪声

本文面向多目标优化的输入噪声问题，结合贝叶斯优化和帕累托最优的思想设计并优化了全局多目标风险价值，以解决对输入噪声敏感的黑盒约束的问题。贝叶斯优化通过调整设计参数，可以优化高评估成本的黑盒性能指标。虽然现有很多方法被提出用于在输入噪声下优化单一目标，但目前仍然缺少能够解决存在多个目标对输入扰动敏感的实际问题的方法。
在这项工作中，作者提出了第一个鲁棒的多目标贝叶斯优化方法以应对输入噪声。作者将目标形式化为优化一种不确定目标的风险度量，即多变量风险值（MVaR）。由于直接优化 MVaR 在许多情况下在计算上是不可行的，作者提出了一种可扩展的、基于理论的方法来使用随机尺度来优化 MVaR。实验上而言，该方法在数据集上显著优于其他方法，并有效地实现了最优鲁棒设计。

这里通过图 1 来梳理一下作者提出的问题：左图中，非鲁棒设计（紫色 ）和鲁棒设计（绿色 ）的标称值使用正方形表示。加号标记表示每个设计在零均值高斯输入噪声下的目标值，标准差为 0.1。可以看到，虽然非鲁棒设计可能会获得局部较优的结果，但是其在输入扰动下的不稳定，容易导致更坏的表现；而鲁棒设计 的结果对于输入的扰动较小，对于输入噪声不敏感。 
中间的图中是对非鲁棒和鲁棒设计的 MVaR 集的说明，其中三角形表示在输入噪声分布下，每个设计的 MVaR 集的离散近似。在没有考虑噪声的情况下，紫色 正方形可以对应更好的值；但是在加以扰动后其风险（MVaR）较大，难以做到对于输入噪声的鲁棒。所以可以采用多变量风险值来刻画解的稳定性。右图是对不同风险集合的选择策略的描述，假设方法给出了在三个目标上的 MVaR 集合，风险的最优集是不同目标 MVaR 集的并集上的最优点集。

论文题目：Robust Multi-Objective Bayesian Optimization Under Input Noise
详细解读：https://www.aminer.cn/research_report/62c3a5a17cb68b460fe3243ehttps://www.aminer.cn/research_report/62c3a5a17cb68b460fe3243e
AMiner链接：https://www.aminer.cn/?f=cs