Comparison of Multi-Fidelity Modelling Methods for Bayesian Optimization

  • This poster summarizes a comparative study of multi-fidelity modeling approaches for Bayesian optimization, focusing on how low-fidelity data can be systematically integrated with high-fidelity evaluations to improve optimization efficiency. Several Gaussian process–based methods, including multi-task models, prior mean approaches, and Kennedy–O’Hagan–type formulations, are evaluated on standard benchmark functions. The results highlight strengths and limitations of each approach, emphasizing challenges such as robustness of training, nonlinear inter-fidelity relationships, and potential bias introduced by prior mean models. The poster was presented at ESCAPE35 and subsequently at the BAM internal AI Symposium.

Volltext Dateien herunterladen

  • Poster_ESCAPE35.pdf
    eng

Metadaten exportieren

Weitere Dienste

Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Autor*innen:Stefan Tönnis
Koautor*innen:Luise Kaven, Eike CramerORCiD
Dokumenttyp:Posterpräsentation
Veröffentlichungsform:Präsentation
Sprache:Englisch
Jahr der Erstveröffentlichung:2025
Organisationseinheit der BAM:2 Prozess- und Anlagensicherheit
2 Prozess- und Anlagensicherheit / 2.2 Prozesssimulation
DDC-Klassifikation:Technik, Medizin, angewandte Wissenschaften / Chemische Verfahrenstechnik / Chemische Verfahrenstechnik
Freie Schlagwörter:Bayesian Optimization; Multi-fidelity
Themenfelder/Aktivitätsfelder der BAM:Chemie und Prozesstechnik
Chemie und Prozesstechnik / Anlagensicherheit und Prozesssimulation
Veranstaltung:ESCAPE35
Veranstaltungsort:Ghent, Belgium
Beginndatum der Veranstaltung:06.07.2025
Enddatum der Veranstaltung:09.07.2025
Zugehöriger Identifikator:https://doi.org/10.69997/sct.198776
Verfügbarkeit des Dokuments:Datei im Netzwerk der BAM verfügbar ("Closed Access")
Datum der Freischaltung:14.01.2026
Referierte Publikation:Nein
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.