NOSTRA: Neuer Ansatz für robuste Bayesian-Optimierung bei spärlichen Daten

Die Forschung zur Multi‑Objective Bayesian‑Optimierung (MOBO) steht vor einer großen Herausforderung: bei spärlichen, verrauschten Datensätzen, die aus begrenzten Experimenten stammen, liefern identische Eingaben oft unterschiedliche Ergebnisse. Solche Bedingungen treten häufig in physikalischen Versuchen und Simulationen auf, etwa bei randomisierten medizinischen Studien oder Molekulardynamik‑Simulationen. Traditionelle MOBO‑Methoden können diese Unsicherheit nicht adäquat berücksichtigen, was zu ineffizienter Ressourcennutzung und suboptimalen Designs führt.

Um diesem Problem zu begegnen, wurde NOSTRA (Noisy and Sparse Data Trust Region‑based Optimization Algorithm) entwickelt. NOSTRA integriert explizit das Vorwissen über experimentelle Unsicherheit in die Konstruktion von Surrogaten und nutzt Trust‑Regions, um die Stichproben gezielt in vielversprechende Bereiche des Designraums zu lenken. Durch die Kombination von prior‑Informationen und einer fokussierten Suchstrategie beschleunigt NOSTRA die Konvergenz zur Pareto‑Grenze, erhöht die Daten‑Effizienz und verbessert die Qualität der gefundenen Lösungen.

In zwei Test‑Funktionen mit unterschiedlichen Rausch‑ und Daten‑Spärlichkeits‑Niveaus zeigte NOSTRA, dass es bestehende Verfahren bei der Handhabung von verrauschten, spärlichen und knappen Daten deutlich übertrifft. Insbesondere demonstriert die Methode, wie gezielte Stichproben die Genauigkeit der identifizierten Pareto‑Grenze erhöhen, wodurch ein ressourcenschonender Ansatz entsteht, der auch bei begrenzten experimentellen Budgets praktikabel ist.