使用蒙特卡罗采样的主动学习并行采集
本文提出了一种基于高斯过程的代理模型改进的近似贝叶斯计算方法,同时结合批次 - 序列贝叶斯试验设计策略实现模型并行化,并通过一种数值方法完整量化不确定性,该方法被称为贝叶斯 ABC,并讨论了它与贝叶斯积分和贝叶斯优化之间的联系。
Oct, 2019
该研究提出了一种用于概率模型推断的新型采样框架:一种主动学习方法,可比马尔可夫链蒙特卡罗(MCMC)基准更快地收敛(墙钟时间)。我们提出了一种基于模型的解决方案,通过熟知非负的概率集成(似然)来实现,以实现优化样本位置的廉价主动学习方案。实验结果表明,与简单的蒙特卡洛和退火重要性采样相比,我们的算法在合成和真实世界的示例中提供了更快的收敛速度(以秒为单位)。
Nov, 2014
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
本文研究了贝叶斯优化中的采集函数建立方法,将多种常见采集函数转化为高斯积分以求优,最终用 Monte Carlo 估算器通过该 reparameterized 方法实现了高效并行优化选择。
Dec, 2017
本研究提出一种基于贝叶斯批量主动学习方法来解决大规模监督模型中标签获取成本高的问题,从而利用大量未标记数据来改善模型性能。此方法通过逼近模型参数的完整数据后验概率,并使用随机投影技术来推广到任意模型,从而使批处理的数据选择更加多样,有效降低了计算复杂度,并在多个大规模回归和分类任务上得到了证实。
Aug, 2019
该研究旨在通过优化高斯过程的超参数来改善贝叶斯优化和主动学习方法,提出了两种以此为目标的收集函数,分别是 “SAL” 和 “SCoreBO”;其中 “SCoreBO” 通过同时执行超参数学习和贝叶斯优化来学习模型超参数,同时在许多传统基准测试中胜过了最新的贝叶斯优化方法,并在一系列特殊的贝叶斯优化任务中展示了自我纠正的重要性。
Apr, 2023
使用序贯蒙特卡罗取样策略来刻画收集一系列模型以及这些模型的参数的后验分布,以及比较其它技术的性能表明,该方法在相等的计算代价和较少的特定应用类型的实施工作情况下总是竞争性的,并且往往比替代技术优越得多。
Mar, 2013