تحسين بايزي في مليار بُعد من خلال تمثيلات عشوائية

تم تطبيق تقنيات التحسين البايزي بنجاح في مجالات الروبوتات، والتخطيط، وتحديد مكان المستشعرات، والتوصيات، والدعاية، وواجهات المستخدم الذكية، وتكوين الخوارزميات بشكل تلقائي. على الرغم من هذه النجاحات، فإن النهج مقيد بمشكلات الأبعاد المتوسطة، وقد حددت عدة ورش عمل حول التحسين البايزي أن توسيعه إلى الأبعاد العالية يعد من الأهداف الرئيسية في هذا المجال. في هذه الورقة، نقدم فكرة جديدة عن التمثيلات العشوائية لمهاجمة هذه المشكلة. خوارزمية تحسين بايزي باستخدام تمثيلات عشوائية (REMBO) الناتجة بسيطة جدًا، ولديها خصائص عدم تغيير هامة، وتطبق على المجالات التي تحتوي على متغيرات فئوية ومستمرة. نقدم تحليلًا نظريًا شاملاً لـ REMBO. تؤكد النتائج التجريبية أن REMBO يمكنه بشكل فعال حل المشكلات التي تحتوي على مليارات الأبعاد، شريطة أن تكون الأبعاد الداخلية منخفضة. كما تُظهر أنها تحقق أداءً رائدًا في تحسين 47 معلمة منفصلة لمحلل البرمجة الخطية المختلط الشهير.