KI-Kolloquium mit Prof. Jin Xu zum Thema Bayesianische Optimierung mittels exakter Strafen

Am Mittwoch, dem 17. Dezember, hält Prof. Jin Xu von der East China Normal University einen Vortrag im Rahmen des KI-Kolloquiums des Lamarr-Instituts zum Thema „Bayesianische Optimierung mittels exakter Strafen“.

Über das KI-Kolloquium:

Das vom Lamarr-Institut, dem  Research Center Trustworthy Data Science and Security (RC Trust) und dem Research Center Trustworthy Data Science and Security (RC Trust) organisierte KI-Kolloquium bietet führenden Forschern eine Plattform, um bahnbrechende Arbeiten auf dem Gebiet des maschinellen Lernens und der künstlichen Intelligenz vorzustellen. Im Gegensatz zu anderen Kolloquien konzentrieren sich diese 90-minütigen Veranstaltungen auf interaktiven Dialog und internationale Zusammenarbeit und umfassen einstündige Vorträge und 30-minütige Fragerunden. Das KI-Kolloquium wird hauptsächlich in englischer Sprache abgehalten. Das hybride Format des Kolloquiums gewährleistet, dass alle Interessierten entweder persönlich oder online über Zoom teilnehmen können.

Über den Vortrag von Prof. Jin Xu:

Optimierungsprobleme mit Nebenbedingungen stellen eine Herausforderung dar, wenn die Zielfunktion und die Nebenbedingungen nicht konvex sind und ihre Bewertung aufwendige Black-Box-Simulationen erfordert. In letzter Zeit haben sich hybride Optimierungsmethoden, die statistische Ersatzmodellierung mit numerischen Optimierungsalgorithmen kombinieren, als vielversprechend erwiesen, da sie die Eigenschaften der globalen Konvergenz aus der statistischen Ersatzmodellierung und die schnelle lokale Konvergenz aus numerischen Optimierungsalgorithmen übernehmen. Die Recheneffizienz entspricht jedoch nicht den praktischen Anforderungen bei begrenzten Budgets und bei Vorliegen von Gleichheitsbeschränkungen. In diesem Artikel schlagen wir eine neuartige hybride Optimierungsmethode vor, die als „Exact Penalty Bayesian Optimization” (EPBO) bezeichnet wird und die Bayes’sche Optimierung innerhalb des Exact-Penalty-Rahmens einsetzt. Wir modellieren die zusammengesetzte Strafungsfunktion durch eine gewichtete Summe von Gauß-Prozessen, wobei die qualitativen Komponenten der Beschränkungsverletzungen durch ihre prädiktiven Mittelwerte geglättet werden. Die vorgeschlagene Methode zeichnet sich aus durch (i) geschlossene Erfassungsfunktionen, (ii) Robustheit gegenüber anfänglichen Entwürfen, (iii) die Fähigkeit, von unmöglichen Punkten auszugehen, und (iv) die effektive Handhabung von Gleichheitsbeschränkungen. Wir demonstrieren die Überlegenheit von EPBO gegenüber den modernsten Konkurrenzprodukten anhand einer Reihe von synthetischen Benchmark-Testproblemen und zwei realen technischen Konstruktionsproblemen.

Über den Votragenden

Jin Xu ist Professor für Statistik an der Fakultät für Statistik der East China Normal University. Er promovierte an der Bowling Green State University. Seine Forschungsinteressen umfassen statistische Methoden in klinischen Studien, Bayes’sche Methoden und sequenzielle Designs. Seine Forschungsgebiete umfassen klinische Studien, Biostatistik und multivariate Analysen.