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
LRI - Laboratoire de Recherche en Informatique, UP11 - Université Paris-Sud - Paris 11, Inria Saclay - Ile de France, CNRS - Centre National de la Recherche Scientifique : UMR8623
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 :
Document associé à des manifestations scientifiques
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 5 avril 2018 - 12:30:12
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

Collections

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

572

Téléchargements de fichiers

136