Noisy Optimization

Sandra Astete-Morales 1, 2 Marie-Liesse Cauwet 1, 2 Adrien Couetoux 1, 2 Jérémie Decock 1, 2 Jialin Liu 1, 2 Olivier Teytaud 1, 2
1 TAO - Machine Learning and Optimisation
CNRS - Centre National de la Recherche Scientifique : UMR8623, Inria Saclay - Ile de France, UP11 - Université Paris-Sud - Paris 11, LRI - Laboratoire de Recherche en Informatique
Abstract : The black box complexity of noisy-optimization is a great research area, with many real-world applications. Various criteria can be used: cumulative regret, simple regret, uniform rates. We discuss the impact of the use of second order information (improved rates under low noise assumption), or local sampling (slower simple regret convergence), or evolutionary optimization with revaluations (as efficient as mathematical programming in some cases with cumulative regret).
Type de document :
Documents associés à des manifestations scientifiques -- Hal-inria+
Dagstuhl seminar 13271, 2013, Dagstuhl, Germany. 2013
Liste complète des métadonnées

https://hal.inria.fr/hal-00844305
Contributeur : Olivier Teytaud <>
Soumis le : dimanche 14 juillet 2013 - 15:00:07
Dernière modification le : jeudi 11 janvier 2018 - 06:22:14
Document(s) archivé(s) le : mardi 15 octobre 2013 - 04:08:57

Fichiers

noisyOptimizationSurvey.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-00844305, version 1

Citation

Sandra Astete-Morales, Marie-Liesse Cauwet, Adrien Couetoux, Jérémie Decock, Jialin Liu, et al.. Noisy Optimization. Dagstuhl seminar 13271, 2013, Dagstuhl, Germany. 2013. 〈hal-00844305〉

Partager

Métriques

Consultations de la notice

487

Téléchargements de fichiers

105