Sample efficient vector optimization with Gaussian process bandits
Gauss süreci haydutları ile yüksek örnekleme verimliliğine sahip vektör optimizasyonu
- Tez No: 981961
- Danışmanlar: DOÇ. DR. CEM TEKİN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kara kutu vektör optimizasyonu, hedef fonksiyonun değerlendirilmesinin maliyetli olduğu ve birden fazla çakışan amacın dengelenmesi gerektiği birçok gerçek dünya uygulamasında ortaya çıkar. Bu alandaki mevcut yöntemler genellikle Pareto optimal çözümleri belirlemeyi amaçlasa da, çoğu zaman hedef vektörler üzerindeki tercih yapılarını göz ardı eder ve yüksek örnekleme karmaşıklığına ya da kuramsal garantilerin eksikliğine sahiptir. Bu tezde, tercihlerin hedef vektörler arasında kısmi sıralama belirten çokyüzlü bir konveks koniyle tanımlandığı Gauss süreci haydutları altında vektör optimizasyonunu ele alıyoruz. Bu kapsamda, genelleştirilmiş tercih modeline göre kapsayıcı bir Pareto kümesini verimli şekilde belirleyen Gauss Süreçleri ile Vektör Optimizasyonu (VOGP) adlı uyarlanabilir eleme algoritmasını öneriyoruz. VOGP, hedef fonksiyonun iyi davranış özelliklerini kullanır ve örnekleme seçimlerini model belirsizliğine göre yapar. VOGP için bilgi kazanımı temelli ve çekirdek özelliklerine özel örnekleme karmaşıklığı sınırları türeterek teorik garantiler sunuyoruz. Sentetik ve gerçek veri kümeleri üzerinde yaptığımız kapsamlı deneyler, VOGP'nin örnekleme verimliliği açısından çok amaçlı karar metotlarından ve vektör optimizasyonu alanındaki güncel yöntemlerden daha iyi performans sergilediğini göstermektedir. Ayrıca, tasarım uzayının sürekli olduğu ve çekirdek hiperparametrelerinin bilinmediği durumlar için VOGP'nin buluşsal uzantılarını da geliştiriyoruz. Bu çalışma, teorik azalizleri güçlü ve ampirik olarak etkili bir kara kutu vektör optimizasyonu yöntemi ortaya koymaktadır.
Özet (Çeviri)
Black-box vector optimization arises in many real-world applications where the objective function is expensive to evaluate and multiple conflicting objectives must be balanced. While existing methods in this domain typically aim to recover Pareto optimal solutions, they often ignore preference structures over objective vectors and may suffer from high sample complexity or lack theoretical guarantees. In this thesis, we study vector optimization under Gaussian process bandits, where preferences are encoded by a polyhedral convex cone that induces a partial order among objective vectors. We propose Vector Optimization with Gaussian Processes (VOGP), an adaptive elimination algorithm that efficiently identifies a representative Pareto set under this generalized preference model. VOGP exploits the smoothness of the objective function and selects evaluations based on model uncertainty. We provide theoretical guarantees for VOGP, deriving sample complexity bounds in terms of information gain and presenting kernel-specific analyses. Extensive experiments on synthetic and real-world tasks show that VOGP outperforms state-of-the-art multi-objective and vector optimization methods in terms of sample efficiency. We also develop heuristic extensions of VOGP to continuous design spaces and scenarios with unknown kernel hyperparameters. Overall, this work introduces a black-box vector optimization method with strong theoretical analysis and effective empirical performance.
Benzer Tezler
- Medical image compression based on vector quantization and discrete wavelet transform
Vektör kuantizasyonu ve ayrık dalgacık dönüşümüne dayalı tıbbi görüntü sıkıştırma
AZHAR ABDULHASAN MUHAMMED ALI AJAM
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ZENGİN
- Açık uçlu eşeksenel prob ile dielektrik spektroskopi için makine öğrenmesi temelli kestirim yöntemleri
Machine learning based estimation methods for dielectric spectroscopy with open-ended coaxial probe
MUSA ALPEREN YILMAZ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET ÇAYÖREN
- Sayısal hücre görüntülerinin kodlanması ve nicel analizi
Coding and quantitative analysis of the digital cell images
NEŞE APAK
Yüksek Lisans
Türkçe
1993
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiY.DOÇ.DR. MUHİTTİN GÖKMEN
- Makine öğrenmesi yöntemleri ile hibrit ve kompozit ZA-27 alaşımlarının aşınma davranışlarının karşılaştırmalı analizi
Comparative analysis of wear behavior of hybrid and composite ZA-27 alloys using machine learning methods
SENA NUR ADIYAMAN
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLTEKİN ÇAĞIL
- Prediction of syngas and exergy data from gasification of lignite coal and biomass blends with machine learning algorithms
Linyit kömürü ve biyokütle karışımlarının gazlaştırılmasından elde edilen sentez gaz ve ekserji verilerinin makine öğrenmesi algoritmaları ile tahmini
MİSLİNA ÇAKAR
Yüksek Lisans
İngilizce
2025
EnerjiYıldız Teknik ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN SADIKOĞLU
ÖĞR. GÖR. ÖZGÜN YÜCEL