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

论文链接：

https://arxiv.org/abs/2202.07549

项目链接：

https://github.com/facebookresearch/robust_mobo

本文是 facebook 发表于 ICML 2022 的一篇工作，其在理论角度上对有输入噪声的多目标贝叶斯优化进行了分析。

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。