Bayessche Optimierung für rechnerisch umfangreiche Wahrscheinlichkeitsverteilungen

Eine effiziente Methode zur Findung eines besseren Maximierers rechnerisch umfangreicher Wahrscheinlichkeitsverteilungen wird auf der Grundlage einer bayesschen Optimierungstechnik vorgeschlagen. Eine zentrale Idee der vorgeschlagenen Methode besteht darin, extreme Werte von Akquisitionsfunktionen durch Gaußsche Prozesse für die nächste Trainingsphase zu verwenden, die sich in der Nähe eines lokalen Maximums oder eines globalen Maximums der Wahrscheinlichkeitsverteilung befinden sollten. Unsere bayessche Optimierungstechnik wird auf die a-posteriori-Verteilung in der effektiven Schätzung physikalischer Modelle angewandt, die eine rechnerisch umfangreiche Wahrscheinlichkeitsverteilung ist. Selbst wenn die Anzahl der Stichprobenpunkte auf den a-posteriori-Verteilungen auf klein fixiert ist, liefert die bayessche Optimierung einen besseren Maximierer der a-posteriori-Verteilungen im Vergleich zu denen durch die Zufallssuchmethode, die Methode des steilsten Abstiegs oder die Monte-Carlo-Methode. Darüber hinaus verbessert die bayessche Optimierung die Ergebnisse effizient, indem sie die Methode des steilsten Abstiegs kombiniert, und ist somit ein leistungsstarkes Werkzeug zur Suche nach einem besseren Maximierer rechnerisch umfangreicher Wahrscheinlichkeitsverteilungen.