Abstrakti

Bayesian optimization is an effective method for finding extrema of a black-box function. We propose a new type of Bayesian optimization for learning user preferences in high-dimensional spaces. The central assumption is that the underlying objective function cannot be evaluated directly, but instead a minimizer along a projection can be queried, which we call a projective preferential query. The form of the query allows for feedback that is natural for a human to give, and which enables interaction. This is demonstrated in a user experiment in which the user feedback comes in the form of optimal position and orientation of a molecule adsorbing to a surface. We demonstrate that our framework is able to find a global minimum of a high-dimensional black-box function, which is an infeasible task for existing preferential Bayesian optimization frameworks that are based on pairwise comparisons.
AlkuperäiskieliEnglanti
OtsikkoProceedings of the 37th International Conference on Machine Learning
Sivumäärä9
Vuosikerta119
TilaJulkaistu - 21 marraskuuta 2020
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaInternational Conference on Machine Learning - Vienna, Itävalta
Kesto: 12 heinäkuuta 202018 heinäkuuta 2020
Konferenssinumero: 37

Julkaisusarja

NimiProceedings of Machine Learning Research
ISSN (elektroninen)2640-3498

Conference

ConferenceInternational Conference on Machine Learning
LyhennettäICML
MaaItävalta
KaupunkiVienna
Ajanjakso12/07/202018/07/2020

Sormenjälki Sukella tutkimusaiheisiin 'Projective Preferential Bayesian Optimization'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä