Оптимизация чёрного ящика с помощью локальных генеративных суррогатов

Исполнитель

Лаборатория методов анализа больших данных ФКН НИУ ВШЭ​

Руководитель проекта

к.ф.-м.н. Устюжанин Андрей Евгеньевич​

Цель

Разработка новых методов для оптимизации недифференциируемых симуляторов для оптимизации калориметра LHCb​

Описание

Мы используем глубокие генеративные модели для итерационной аппроксимации симулятора в локальных окрестностях пространства параметров.​ Мы показываем, что эти локальные суррогаты могут использоваться для аппроксимации градиента симулятора и, таким образом, позволяют оптимизировать параметры симулятора с помощью градиентых методов оптимизации.​ Метод реализован в рамках библиотеки pytorch, все исходные коды находятся в открытом доступе:

https://github.com/shir994/L-GSO​

Публикации

Shirobokov S., Belavin V., Ustyuzhanin A., Kagan M., Baydin‪. G. Black-Box Optimization with Local Generative Surrogates // Advances in Neural Information Processing Systems 33, 2020 (A*)​

Рисунки