Aug, 2023

基于高斯过程的全局敏感性分析的主动学习

PDF
TL;DR该论文探讨了将主动学习策略应用于自适应学习 Sobol 指数的全局敏感性分析，提出了一种基于主要效应解决高斯过程的学习策略，并比较了基于总方差的现有策略。实验证明，该策略在小维问题上收敛速度最快，但在大维问题上，性能与随机抽样相当。论文还以大规模边界层风洞实验的自适应实验设计为实例进行了演示。
active learningsobol indicesglobal sensitivity analysisgaussian processadaptive experimental design
发现论文，激发创造
  • 主动学习高斯过程动力学

    本文提出了利用高斯过程回归中自然产生的信息理论特性的主动学习策略，尊重系统动态 imposed 约束下的抽样过程，并在高不确定度区域选择抽样点，以实现探索性行为和数据高效训练。该方法在大量数值基准测试中得到验证。

    Nov, 2019

  • 多输出高斯过程的近似最优主动学习

    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

  • 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

  • 混合变量全局敏感性分析用于知识发现与高效组合材料设计

    本文介绍了一种基于 Latent Variable Gaussian Process 的混合变量全局敏感性分析方法，通过数值案例研究验证和证明了该方法的有效性，并将其与多目标贝叶斯优化集成，应用于金属有机骨架材料的敏感性感知设计框架，极大地加快了对新型金属有机骨架候选材料的探索。

    Oct, 2023

  • 贝叶斯网络中不确定参数的全局敏感性分析

    传统上，贝叶斯网络的敏感性分析研究了以逐个修改其条件概率表的方式对其影响，我们提出进行全局基于方差的敏感性分析，使用低秩张量分解来降低维度，并通过 Sobol 法得出全局敏感性指标，从而展示不确定参数及其交互作用的真实影响。

    Jun, 2024

  • 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

  • 高效计算的高斯过程在主动学习中的安全界限

    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。

    Feb, 2024

  • 基于高斯过程的安全主动学习用于时间序列建模

    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

  • 基于方差增强 PC-Kriging 代理模型的多限状态结构可靠性分析主动学习

    本文研究了主动学习方法用于在有限计算预算下高效选择训练样本的能力，同时保留与多个代理极限状态相关联的准确性。研究结果表明，可以通过在统一的主动学习方案中依次针对指定的多个限制状态函数来实现有效的均衡的计算预算管理。

    Feb, 2023