Nov, 2022

小样本生物制造过程建模的多保真度高斯过程

PDF
TL;DR在生物制造领域，我们提出采用统计机器学习方法 —— 多保真高斯过程，来解决生物过程建模中的不确定性、高成本采集数据以及缺乏数据等问题，并在两个具体问题上展示了它的有效性，分别是生物反应器放大和细胞系之间的知识迁移。
发现论文，激发创造
  • 物理学中回归问题的多准确度高斯过程代理建模

    通过比较多种多保真度方法构建高斯过程代理进行回归，我们发现多保真度方法通常具有较小的预测误差，且对于相同计算成本而言，其效果因不同场景而异。

    Apr, 2024

  • 深度高斯过程在多保真建模中的梯度增强

    多保真度模型集成多个数据源以产生底层过程的单个逼近器，并通过稠密低保真样本来降低插值误差，通过稀疏高保真样本来补偿低保真样本中的偏差或噪音。本文将深度高斯过程扩展到包含梯度数据，并在实际的偏微分方程问题中进行应用，其中预测高超声速飞行器在一系列飞行条件和几何形状下的空气动力系数。在两个例子中，增强梯度的深度高斯过程模型胜过增强梯度的线性高斯过程模型和非增强梯度的对照模型。

    Feb, 2024

  • 一种用于工程回归问题的基于物理知识的高斯过程谱

    通过结合机器学习技术和基于物理推理的方法，本文引入一系列可能的高斯过程模型，以提高基于有限数据的预测模型建立能力。这些方法可以显著减少对数据收集的依赖，并增强模型的可解释性。

    Sep, 2023

  • 高斯过程多保真贝叶斯优化通用框架

    本文研究了多个输出之间具有复杂结构依赖关系的多认真贝叶斯优化，并提出了 MF-MI-Greedy，一种解决此问题的原则算法框架。

    Nov, 2018

  • 基于多保真高斯过程的稀疏差分方程发现

    通过不确定性量化的角度，本文提出了两种新的方法来解决稀疏辨识微分方程的两个主要挑战：噪声对观测数据的影响以及关于计算成本的单一可靠性数据的限制。通过构建高斯过程回归模型来缓解观测数据中噪声的影响，量化不确定性并最终准确地恢复方程；然后，利用多可靠性高斯过程来处理涉及多可靠性、稀疏和噪声观测数据的情况。通过多个数值实验展示了我们方法的稳健性和有效性。

    Jan, 2024

  • 高斯过程回归的谨慎模型预测控制

    本文提出了一种使用高斯过程回归模型的模型预测控制方法，用于建模非线性动态系统并计算模型残差不确定性以实现谨慎控制。通过近似计算实现计算效率，并在模拟实验和硬件实现中展示了该方法在自主赛车方面的表现改进。

    May, 2017

  • 贝叶斯回归和分类高斯过程模型的蒙特卡罗实现

    本文提出了使用高斯过程模型来进行非参数回归，分类等任务，通过使用马尔科夫链方法对高斯过程的协方差函数的超参数进行采样，可以发现数据的高级特性并实现预测响应所需输入的相关性。

    Jan, 1997

  • 科学机器学习中基于多种准确度的线性回归模型从稀少数据中学习

    在科学机器学习中，我们提出了一种新的多保真度训练方法，利用可用的不同保真度和成本的数据，通过多保真度数据定义线性回归模型的未知参数的新的多保真度蒙特卡罗估计器，并提供理论分析以保证该方法的准确性和对较小训练预算的改进鲁棒性。数值结果验证了理论分析，并表明与仅具有相似成本的高保真度数据训练的标准模型相比，我们用稀缺高保真度数据和额外低保真度数据训练的多保真度学习模型具有数量级更低的模型方差，说明在稀缺数据环境下，我们的多保真度训练策略能够产生具有较低期望误差的模型。

    Mar, 2024

  • 遥感中的物理感知高斯过程

    本文综述了在地球卫星观测中，机器学习算法（尤其是高斯过程回归）在生物物理参数估计方面的应用，以及如何利用前向模型改进预测和理解物理关系。最后，本文提出了三种高斯过程模型，分别为联合高斯过程模型、潜在力模型和自动高斯过程仿真器，通过植被监测和大气建模的实例验证了它们的性能。

    Dec, 2020

  • 参数高斯过程回归器

    提出了两种可扩展的高斯过程回归方法，通过应用变分推断和直接处理后验预测分布来改善模型预测不确定性。

    Oct, 2019