主动学习高斯过程动力学
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
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。
Nov, 2015
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
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
通过使用高阶数值积分器以及多步和泰勒积分器，我们提出了一种直接推理连续时间动力学的方法，并通过推导出的采样方案和推理方案，从学习到的后验中得到一致的动力学函数，从而实现准确的连续时间系统表示。
Sep, 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
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
本研究解决了高斯过程回归模型中对数据批量选择的不足，提出了一种利用导数信息的批量主动学习方法。通过理论分析和实证比较，研究表明该方法在多个应用中相较于传统方法更加有效，充分利用了样本间的相关性。
Aug, 2024