AAAINov, 2015

多输出高斯过程的近似最优主动学习

PDF
TL;DR本文提出了一种解决多输出高斯过程模型主类型和相关环境现象多种共存的主动学习问题的方法，该问题涉及选择最具信息量的采样位置和每个位置的测量类型，以在预算范围内最小化目标感兴趣的预测不确定性（即后验联合熵），为了解决优化时的问题，我们利用了稀疏 MOGP 模型的常见结构，推导出一种新的主动学习准则，并利用新准则的放松形式子模性质，设计了一种多项式时间近似算法，实证评估表明我们的方法优于 MOGP 和单输出 GP 模型的现有算法。
active learningmulti-output gaussian process modelpredictive uncertaintysampling budgetsubmodularity property
发现论文，激发创造
  • 具有随机变分推断的可扩展多输出高斯过程

    多输出高斯过程是建模来自多个来源的数据的流行工具，本文提出了 LV-MOGP 的随机变分推断方法，使得计算复杂度与输出数量无关。

    Jul, 2024

  • 基于模型的高斯过程演示学习

    本文提出了一种基于高斯混合回归的新型多输出高斯过程（MOGP）方法，利用 MOGP 的协方差将从演示中检索的变异性捕获起来，使机器人能够精确跟踪经过点，同时在高变异地区保持的柔顺性。

    Oct, 2019

  • 层次数据的潜在变量多输出高斯过程

    该研究论文提出了一个扩展多输出高斯过程（MOGPs）用于分层数据集的方法，通过定义适合层次结构的核函数来捕捉不同层次的相关性，并通过引入潜在变量表达输出之间的潜在依赖关系，以提高可扩展性。通过合成数据和基因组学以及动作捕捉的真实世界数据进行了广泛的实验研究，以支持该方法。

    Aug, 2023

  • 使用高斯过程高效建模监督学习中的潜在信息

    该研究介绍了一种新型模型，称为潜在变量多输出高斯过程 (LVMOGP)，该模型可以捕捉多种条件的潜在信息，实现在测试时对新条件的有效推广，并提出了高效的变分推断方法，该方法的计算复杂度低于稀疏高斯过程。研究表明，在多个任务中，LVMOGP 在合成和真实数据上表现优异，并比相关的高斯过程方法优异。

    May, 2017

  • 高斯过程的计算机代码主动仿真 -- 远程感应应用

    提出一种基于高斯过程的主动学习方法，用于自适应构建模拟代理模型以提高模拟效率和透明度，并通过在近似函数的低密度和波动区域采样来设计采集函数，以实现精度、可分析性和模拟能力的平衡。

    Dec, 2019

  • 多输出高斯过程的可扩展精确推断

    研究了一种加速多输出高斯过程推理和学习的方法，利用数据的充分统计量实现在正交基中的线性缩放，从而实现在实践中线性缩放，同时不会牺牲重要的表现力或需要近似。

    Nov, 2019

  • 高斯过程状态空间模型本地主动学习

    本文提出了一种基于高斯过程状态空间模型的主动学习策略，旨在获取状态操作空间有界子集上的准确模型，并通过模型预测控制集成探索过程中收集的信息和自适应改进探索策略。

    May, 2020

  • 高斯过程的线性嵌入主动学习

    提出一种主动学习方法，用于发现高维高斯过程任务中的低维结构，同时引入一种新技术，用于近似边缘化高斯过程超参数，从而提供在高维空间中执行高效的高斯过程回归、积分或贝叶斯优化的方法。

    Oct, 2013

  • 高斯过程状态空间模型中的主动学习

    本文研究了高斯过程状态空间模型的主动学习。通过决定其输入，我们可以通过 GPSSM 最优地学习系统的潜在状态，以便选择最具信息量的输入。我们提出了两种逼近潜在状态下 GPSSM 的互信息的方法，并在多个物理系统中进行了评估。

    Jul, 2021

  • 基于贝叶斯主动学习的分类和偏好学习

    通过使用预测熵计算信息增益，我们提出了一种方法来优化高斯过程分类器的主动学习，同时也将其扩展到高斯过程偏好学习，相比其他主动学习和决策理论方法，我们的方法可以在相等或更低的计算复杂度下获得相同的实验性能。

    Dec, 2011