適応的ε制約分解による多目的ベイズ最適化

要旨: 多目的ベイズ最適化（MOBO）は、複数の目的を持つ高コストのブラックボックス関数を最適化するための、原理に基づいた枠組みを提供します。しかし、既存のMOBO手法はしばしば、カバレッジの不足、多目的数に対するスケーラビリティ、制約や嗜好（プレファレンス）を統合することに課題を抱えています。本研究では、パレートフロントの十分に探索されていない領域を明示的に狙う extit{STAGE-BO, Sequential Targeting Adaptive Gap-Filling psilon-Constraint Bayesian Optimization} を提案します。近似パレートフロントのカバレッジを解析することで、我々の手法は最大の幾何学的ギャップを特定します。これらのギャップは制約として用いられ、問題は一連の不等式制約付きサブ問題へと変換されます。そして、このサブ問題群は、制約付き期待改善獲得（constrained expected improvement acquisition）によって効率的に解かれます。本アプローチは、ハイパーボリューム計算なしで一様なパレートカバレッジを提供し、制約付きおよび嗜好に基づく設定にも自然に適用できます。合成データおよび実世界のベンチマークに関する実験により、既存の最先端ベースラインに対して、カバレッジ面で優れており、ハイパーボリューム性能でも競争力があることが示されます。