Robust satisficing in Bayesian optimization

Bu tez, "Bayesci eniyileme" bağlamında "gürbüz yeterlilik" (robust satisficing) adı verilen yeni bir optimizasyon çerçevesinin kullanımını incelemektedir. Sağlam yeterli optimizasyon (RS), klasik optimizasyonun bir alternatifi olarak ortaya çıkmakta; burada amaç, çevresel belirsizlikler altında, önceden belirlenmiş bir eşiği sağlam bir şekilde karşılayan bir çözüm bulmaktır. Öte yandan, Bayesyen optimizasyon (BO), değerlendirilmesi zor siyah-kutu fonksiyonların optimize edilmesinde yaygın olarak kullanılan yerleşik bir yaklaşımdır. BO literatürü şimdiye dek ağırlıklı olarak optimizasyon, sağlam optimizasyon veya doğrudan tatmin edici yöntemler üzerine odaklanmıştır. Bu tezde sunulan çalışmalar, RS yaklaşımını BO çerçevesine dahil eden ilk çalışmalardandır. Problemi, bağlamsal değişkenler üzerindeki dağılım kaymalarının belirsizlik yarattığı bağlamsal Gaussian Süreçleri (GP) ortamında ve seçilen eylemlerin bir saldırgan tarafından bozuma uğratıldığı adversaryel ortamda analiz ediyoruz. Her iki durumda da, hem bilinen bir RS yaklaşımını hem de bunun yeni bir modifikasyonunu kullanarak özgün algoritmalar geliştiriyoruz. Geliştirdiğimiz algoritmalar için her iki senaryoda da pişmanlık (regret) sınırlarını ispatlıyor ve yöntemimizin, dağılımsal olarak sağlam optimizasyon gibi güncel yöntemlere kıyasla üstünlüklerini ortaya koyan kapsamlı benzetim deneyleri sunuyoruz.