Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Optimisation Bayésienne Multi-Objectifs (MOBO)
Extension de l'optimisation bayésienne utilisant des modèles de substitution pour guider la recherche d'un front de Pareto avec un nombre minimum d'évaluations coûteuses.
Processus Gaussien Multi-Objectifs
Modèle de substitution où chaque fonction objectif est modélisée par un processus gaussien individuel, capturant l'incertitude et la corrélation entre les objectifs.
Fonction d'Acquisition Multi-Objectifs
Critère exploitant le compromis entre exploration et exploitation pour sélectionner le prochain point à évaluer, en se basant sur les prédictions et incertitudes du modèle de substitution.
Expected Hypervolume Improvement (EHVI)
Fonction d'acquisition qui calcule l'espérance de l'amélioration de l'hypervolume du front de Pareto actuel si un nouveau point était évalué.
Pareto Front Expected Improvement (PFEI)
Fonction d'acquisition qui estime l'amélioration potentielle du front de Pareto en évaluant un nouveau point, en se basant sur la probabilité de non-dominance.
Critère du Lower Confidence Bound (LCB) Multi-Objectifs
Fonction d'acquisition pessimiste qui optimise une combinaison linéaire de la moyenne et de la variance prédites par le modèle pour chaque objectif.
Optimisation de la Diversité du Front
Stratégie visant à maintenir une bonne répartition des solutions sur le front de Pareto pour éviter une concentration dans une seule région de l'espace des objectifs.
Scalarisation
Technique transformant un problème multi-objectifs en un problème mono-objectif en pondérant les différents objectifs, souvent utilisée pour définir des fonctions d'acquisition.
Kriging Multi-Objectifs
Synonyme de l'utilisation de processus gaussiens pour la modélisation multi-objectifs, hérité du domaine de la géostatistique où le Krigeage est une méthode d'interpolation.
Epsilon-Indicator
Métrique de qualité qui quantifie la pire performance d'un ensemble de solutions par rapport à un autre, en mesurant le facteur par lequel il faut dégrader un front pour en dominer un autre.
Decomposition-Based MOBO
Approche qui décompose le problème multi-objectifs en plusieurs sous-problèmes mono-objectifs, chacun résolu par une optimisation bayésienne standard.
Batch Bayesian Multi-Objective Optimization
Variante de la MOBO où plusieurs points sont sélectionnés simultanément pour évaluation, souvent en parallèle, pour accélérer le processus d'optimisation.