다단계 목표 베이지안 최적화에서 수렴과 다양성 분리하기

Converge Then Diversify: Decoupling Convergence and Diversity in Multi-Objective Bayesian Optimisation

다단계 목표 베이지안 최적화(MOBO)는 여러 목표를 가진 비싼 블랙박스 함수를 최적화하는 샘플 효율적인 접근법이다. 기존 MOBO 방법은 수렴과 다양성을 동시에 달성하는 것을 목표로 하지만, 예산이 매우 제한적일 경우 모든 파레토 전선에 접근하기 어려운 문제가 있다. 이 논문에서는 수렴과 다양성을 두 단계로 분리하는 '수렴-다양성(CTD)' 접근법을 제안하며, 첫 번째 단계에서는 수렴에 집중하고 두 번째 단계에서는 다양성에 집중한다. 실험 결과, CTD는 446개의 쌍 비교에서 72.9%의 경우에서 최신 방법보다 통계적으로 우수한 성능을 보였다.