Optimización Bayesiana, introducción (parte 2): esbozo de la metodología

Antonio Sala, UPV

Dificultad: *** ,       Relevancia: ,      Duración: 11:46

*Link to English version

Resumen:

Este video continúa con la introducción y motivación a los problemas de optimización bayesiana que se inició en el video [BOmot1].

Aquí, revisamos dicho video en los primeros cuatro minutos, y luego discutimos el objetivo genérico de la optimización bayesiana: en realidad es un tipo de “disen~o de experimentos” que intenta elegir muestras que tengan una alta probabilidad de darme un valor cercano al óptimo (explotación) o, bueno, tal vez deseemos muestrear los que actualmente probablemente sean subóptimos a cambio de que brinden mucha información sobre dónde estará el óptimo actual para muestras futuras (explorar).

Así, los algoritmos BO acaban dando lugar a los siguientes pasos:

• Configurar un modelo estadístico a priori

• Adquirir muestras (esto puede ser un procedimiento costoso en algunos casos de aplicación)

• Calcular un posterior (condicional a las medidas)

• Lleve a cabo un análisis estadístico del posterior para decidir la siguiente muestra y volver al paso 2, a menos que se cumpla algún criterio de terminación (número de muestras máximo, calidad de la última muestra, falta de progreso).

Por brevedad, un rápido resumen de los detalles de los pasos tercero y cuarto se pospondrá para el video [BOmot3], y los casos de aplicación y comentarios finales en el video [BOmot4] concluirán esta breve motivación y presentación del problema de optimización bayesiana. Un primer ejemplo numérico de la metodología se aborda en el vídeo [boloop1].