Ax框架中qNEHVI算法的参考点自动推断机制解析

引言

在基于Ax框架的多目标优化任务中，qNoisyExpectedHypervolumeImprovement（qNEHVI）算法是一个常用的采集函数。该算法需要指定参考点（ref_point）来计算超体积改进值。然而，许多开发者可能没有注意到，当没有显式设置参考点时，Ax框架会自动进行参考点推断。本文将深入剖析这一机制的实现原理。

参考点的重要性

在多目标优化中，参考点定义了目标空间中用于计算超体积的边界点。它通常代表了一个"最差"的目标值组合，所有非支配解都应该优于这个参考点。参考点的选择直接影响：

1. 超体积计算结果
2. 算法对帕累托前沿不同区域的偏好
3. 优化过程的收敛性

Ax的自动推断机制

当开发者没有显式设置参考点时，Ax框架通过botorch_moo_defaults.infer_objective_thresholds方法自动推断参考点。这一过程发生在两个关键场景：

1. 优化过程中的推断

当调用client.complete_trial()方法时，框架会触发以下处理流程：

1. 通过生成策略获取新试验点
2. 检查是否配置了参考点
3. 若未配置，则调用推断方法
4. 使用推断结果作为qNEHVI的参考点

2. 获取帕累托前沿时的推断

当调用client.get_pareto_frontier()方法时，框架会：

1. 检查优化配置中是否包含目标阈值
2. 若不存在，则自动推断目标阈值
3. 记录推断结果供后续使用

推断方法的技术实现

核心推断方法infer_objective_thresholds的工作流程如下：

1. 模型准备：基于当前实验数据构建高斯过程模型
2. 观察点处理：获取所有已观察到的试验点
3. 约束处理：考虑所有输出约束条件
4. 阈值计算：基于模型预测和观察数据计算各目标的合理阈值
5. 结果转换：将结果转换回原始目标空间

该方法会考虑以下因素：

• 当前实验的搜索空间
• 优化配置中的约束条件
• 已完成的试验数据
• 模型的预测能力

实际应用建议

1. 显式设置参考点：对于关键任务，建议显式设置参考点以确保优化方向符合预期
2. 监控推断结果：定期检查自动推断的参考点是否合理
3. 结果验证：比较自动推断结果与领域知识预期
4. 参数调优：必要时调整推断方法的参数以获得更好的参考点

总结

Ax框架通过智能的参考点自动推断机制，降低了多目标优化的使用门槛，使开发者能够在不完全了解超体积优化细节的情况下获得良好的优化结果。理解这一机制有助于开发者更好地控制和调整优化过程，在自动化和精确控制之间取得平衡。

对于需要精细控制优化过程的场景，建议结合自动推断和人工设置，充分利用框架提供的灵活性，获得最佳的优化效果。