Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
Zur Ablage hinzufügen
  Lokale TagsFreigabegeschichteDetailsÜbersicht

Freigegeben
Konferenzbeitrag

Quantifying mismatch in Bayesian optimization

MPG-Autoren
Es sind keine MPG-Autoren in der Publikation vorhanden
Externe Ressourcen

https://bayesopt.github.io/past/2016.html
(Verlagsversion)

Volltexte (beschränkter Zugriff)
Für Ihren IP-Bereich sind aktuell keine Volltexte freigegeben.
Volltexte (frei zugänglich)
Es sind keine frei zugänglichen Volltexte in PuRe verfügbar
Ergänzendes Material (frei zugänglich)
Es sind keine frei zugänglichen Ergänzenden Materialien verfügbar
Zitation

Schulz, E., Speekenbrink, M., Hernández-Lobato, J., Ghahramani, Z., & Gershman, S. (2016). Quantifying mismatch in Bayesian optimization. In NIPS Workshop Bayesian Optimization: Black-box Optimization and Beyond (BayesOpt 2016) (pp. 1890-1895).


Zitierlink: https://hdl.handle.net/21.11116/0000-0006-B41A-2
Zusammenfassung
How does misspecifying prior smoothness assumptions about the target function affect the performance of Bayesian optimization routines? We show that misspecifying smoothness leads to an increase in regret, that this effect gets worse in higher dimensions, and that it remains substantial even if hyper-parameters are optimized.