Iterative surrogate modeling for black-box optimization tasks

Abstract

Surrogatmodellierung ist eine beliebte Methodik, um Kosten bei der Durchführung von Experimenten mittels teuren Simulationen zu sparen. Für das Training von Surrogaten werden in der Regel adaptive Samplingansätze verwendet, um ein möglichst effektives Training mit möglicht wenig Daten durchführen zu können. Adaptive Samplingansätze können anhand ihrer verwendeten Exploitationsstrategie in vier Kategorien unterteilt werden. Methoden werden in der Regel immer mit anderen Methoden derselben Kategorie verglichen, deshalb vergleiche ich adaptive Samplingansätze der vier Kategorien miteinander hinsichtlich Sampel- und Samplingeffizienz. Die Ergebnisse zeigen, dass jede der Kategorien ihre eigenen Stärken und Schwächen mit sich bringt. Deshalb könnte man in Zukunft auch über ’ensemble’-Lernstrategien nachdenken, bei denen adaptive Samplingmethoden verschiedener Kategorien miteinander kombiniert werden.