We consider the problem of estimating a good maximizer of a black-box function given noisy examples. To solve such problems, we propose to fit a new type of function which we call a global optimization network (GON), defined as any composition of an invertible function and a unimodal function, whose unique global maximizer can be inferred in $\mathcal{O}(D)$ time. In this paper, we show how to construct invertible and unimodal functions by using linear inequality constraints on lattice models. We also extend to \emph{conditional} GONs that find a global maximizer conditioned on specified inputs of other dimensions. Experiments show the GON maximizers are statistically significantly better predictions than those produced by convex fits, GPR, or DNNs, and are more reasonable predictions for real-world problems.
翻译:我们考虑了一个问题, 使用吵闹的例子来估计黑盒功能的“ 最佳最大化” 。 为了解决这些问题, 我们建议设置一种新的功能, 我们称之为全球优化网络( GON), 定义为一个不可逆函数和单式函数的任何构成, 其独特的全球最大化功能可以用$\ mathcal{O}(D) 时间来推断。 在本文中, 我们展示了如何通过对 lattice 模型使用线性不平等限制来构建不可逆和单式功能。 我们还将这一功能推广到 \emph{ protical} GONs, 找到一个以其它层面的特定投入为条件的全球最大化功能。 实验显示, GON 最大化功能在统计上大大优于由 comvex 匹配、 GPR 或 DNNS 生成的函数。 并且是真实世界问题更合理的预测 。