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
Otsikko37th International Conference on Machine Learning, ICML 2020
Sivut6840-6848
Sivumäärä9
ISBN (elektroninen)9781713821120
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
Maa/AlueItävalta
KaupunkiVienna
Ajanjakso12/07/202018/07/2020

Sormenjälki

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

Siteeraa tätä