Zespół badaczy zaproponował Finite-Library Input-Warped Bayesian Optimization (FLIWBO) - metodę łączącą adaptacyjne transformacje geometryczne z gwarancjami zbieżności w optymalizacji kosztownych funkcji. Problem, który rozwiązuje FLIWBO, to niedopasowanie między naturalnymi współrzędnymi problemu a metryką odległości użytą w procesach gaussowskich. Gdy hiperparametry skalują się logarytmicznie lub funkcja ma lokalne szpice, standardowe jądra wymagają więcej próbek do znalezienia optimum.
Kluczowe zagadnienie leżące u podstaw badań to fakt, że dotychczasowe metody z gwarancjami - takie jak GP-UCB - wymagają stałego jądra i nie mogą się adaptować. Warping wejść, czyli transformacja współrzędnych, jest znany jako technika poprawiająca efektywność próbek, ale brakuje teorii gwarantującej zbieżność. FLIWBO wybiera przekształcenia z gotowej biblioteki gładkich map w oparciu o historię optymalizacji, a równocześnie utrzymuje rigurozyczne gwarancje zbieżności bez żalu - z kosztem skalującym się jak pierwiastek wielkości biblioteki.
Eksperymenty na czterech benchmarkach pokazały, że FLIWBO-UCB pokonuje surowe GP-UCB gdy geometria jest źle określona, ucieka z pułapek gdzie nawet oracle z idealnym warpingiem zawodzi, i recuperuje większość korzyści z ręcznego logarytmicznego skalowania hiperparametrów. To jest istotne dla praktycznego zastosowania w optymalizacji hiperparametrów głębokich sieci neuronowych i projektowaniu systemów multi-agentowych, gdzie struktura problemu często nie jest oczywista z samych liczb.