Multi-Agent-Kollaborative Bayessche Optimierung mittels Eingeschränkter Gauß-Prozesse

Die steigende Rechenleistung von Edge-Geräten hat ein neues Paradigma für kollaborative Analytik eröffnet, bei dem Agenten Stärke von einander entleihen, um ihre Lernfähigkeiten zu verbessern. Diese Arbeit konzentriert sich auf kollaborative Bayessche Optimierung (BO), in der Agenten zusammenarbeiten, um schwarze Boxfunktionen effizient zu optimieren, ohne dass ein sensibler Datenaustausch erforderlich ist. Unsere Idee dreht sich um die Einführung einer Klasse eingeschränkter Gauß-Prozess-Substitute, die es Agenten ermöglicht, informative Designs von leistungsstarken Kollegen zu entlehnen, um ihren Optimierungsprozess zu verbessern und zu beschleunigen. Unser Ansatz präsentiert das erste allgemeine Framework für kollaborative BO, das mit jedem Gauß-Prozess-Kernel und den meisten bekannten Erwerbsfunktionen kompatibel ist. Trotz der Einfachheit unseres Ansatzes zeigen wir, dass er elegante theoretische Garantien bietet und die Methoden des aktuellen Stands der Technik erheblich übertrifft, insbesondere wenn Agenten heterogene schwarze Boxfunktionen haben. Durch verschiedene Simulationen und ein reales Experiment in der additiven Fertigung zeigen wir die vorteilhaften Eigenschaften unseres Ansatzes und die Vorteile, die sich aus der Zusammenarbeit ergeben.