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
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
我们提出了一种主动学习算法,通过将先验领域知识明确纳入采样过程,利用副信息来学习动态。通过数值实验,我们证明了该策略探索了高差异区域,加速了学习过程同时降低了模型不确定性。我们还通过提供最大预测方差的收敛速度的明确速率,严格证明了我们的主动学习算法给出了底层动态的一致估计。我们在一个欠驱动的摆系统和半猎豹 MuJoCo 环境上展示了我们方法的有效性。
Mar, 2024
科学机器学习中,通过贝叶斯推断模型参数,利用状态数据和相关性构建似然函数,从而学习非线性动力学模型。
Dec, 2023
通过使用高斯过程和非线性外部输入结构在考虑给定安全约束条件的情况下,活跃地学习时间序列模型,使用动态探索输入空间生成适用于时间序列模型学习的数据,然后通过逐步确定安全要求和过去观察结果来对输入轨迹进行参数化分析,并在技术应用中进行实证评估,结果显示我们的方法在现实技术用例中的有效性。
Feb, 2024
本文介绍了一种模型基于策略搜索的自动学习方法,使用概率非参数高斯过渡模型从数据中提取更多信息,以提高学习速度并降低模型误差的影响,已在真实机器人和控制任务中得到了应用。
Feb, 2015
基于自适应采样的高斯过程后验中极值中位数的可证明安全边界为活动学习提供了有效的安全约束,以便在物理系统中进行设计空间的探索。
本文介绍了一种非线性概率变分方法 - 变分高斯过程动态系统来处理高维时间序列数据中的非线性降维问题,同时在潜空间中学习动态先验,并允许自动确定潜在空间的维数,该方法在人体运动捕捉数据集和一系列高分辨率视频序列上进行了演示。
Jul, 2011
本论文提出了一种可以学习非线性数据特性的内核函数家族,该家族通过一种可学习的输入分区来改进先前的方法,并在各种主动学习任务中表现出出色的性能。
Mar, 2023
提出了一种使用高斯过程的验证框架来对不确定动态系统进行抽象,并利用已有方法对不确定马尔可夫过程进行安全验证,该方法在多个例子中得到了验证。
Apr, 2020