Il paper “d-MALIBOO: a Bayesian Optimization framework for dealing with Discrete Variables”, scritto da Roberto Sala, Bruno Guindani e Danilo Ardagna del Dipartimento di Elettronica, Informazione e Bioingegneria del Politecnico di Milano insieme ad Alessandra Guglielmi del Dipartimento di Matematica, ha vinto il Best Paper Award del 32° International Symposium on Modeling, Analysis, and Simulation of Computer and Telecommunication Systems (MASCOTS), tenutasi a Cracovia, in Polonia, dal 21 al 23 ottobre 2024.
L'articolo presenta d-MALIBOO, un nuovo framework che combina l'ottimizzazione bayesiana e il machine learning per migliorare l'efficienza nella ricerca di configurazioni ottimali in ambienti di cloud computing. Il framework è stato progettato per ottimizzare le configurazioni hardware-software all’interno di un budget di valutazione limitato, un problema spesso complicato dalla natura discreta e limitata dei vincoli del mondo reale.
A differenza dell’ottimizzazione bayesiana tradizionale, progettata per domini continui, d-MALIBOO adatta questo metodo a domini discreti e sfrutta il machine learning per aiutare a identificare le regioni ammissibili, concentrando così la ricerca in modo più efficace. I risultati sperimentali dimostrano che d-MALIBOO supera in modo significativo i metodi esistenti, soprattutto in scenari complessi, ottenendo risultati da 2 a 8 volte migliori in termini di minimizzazione del regret.