一种非层次性多保真度自适应采样的潜变量方法

Oct, 2023

一种非层次性多保真度自适应采样的潜变量方法

A Latent Variable Approach for Non-Hierarchical Multi-Fidelity Adaptive Sampling

Yi-Ping Chen, Liwei Wang, Yigitcan Comlek, Wei Chen

TL;DR多层次方法的自适应采样在增强替代建模和设计优化方面具有更高的效率，并且利用潜在嵌入和相关性分析来指导未来样本的选择，从而在全局拟合和贝叶斯优化中提供了更好的性能。

Abstract

Multi-fidelity (MF) methods are gaining popularity for enhancing surrogate modeling and design optimization by incorporating data from various low-fidelity (LF) models. While most existing MF methods assume a fixed dataset, adaptive sampling methods that dynamically allocate resources

multi-fidelity methods adaptive sampling surrogate modeling latent embedding latent variable gaussian process

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

可解释的多源数据融合通过潜变量高斯过程

提出了一种基于潜在变量高斯过程的多源数据融合框架，用于解决使用多源数据进行系统优化时存在的质量和全面性差异问题，并通过数学和材料科学案例研究验证了该框架在稀疏数据问题、数据源解释性以及模型能力方面的优越性。

Feb, 2024

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

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

利用异构输入空间的多准则代理模型对激光定向能沉积中的熔池进行建模

使用多保真度建模的方法结合多个数据源预测激光直接能量沉积中的熔池几何形状，该方法通过整合不同复杂度的模型和操作于异构输入空间来解决输入空间可变性的挑战，并使用基于高斯过程的共克里金方法将预测结果融合，从而提高预测精度并降低计算开销。

Mar, 2024

多保真代理模型：一种新的数据融合视角

多重保真度代理模型结合了不同来源的准确性和成本不同的数据。它战略性地使用低保真度模型进行快速评估，节省计算资源，并使用高保真度模型进行详细优化，它通过解决不确定性和超越单一保真度模型的限制来改善决策。融合高保真度数据用于详细响应，并且频繁融合低保真度数据用于快速近似，有助于在各个领域进行设计优化。

Apr, 2024

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

多保真度剥离深度贝叶斯主动学习

为了解决高维数据下基于高斯过程的多保真度主动学习不易扩展以及传递误差的问题，我们提出了一种基于解缠混淆的深度贝叶斯学习框架，可以在多个保真度下学习代理模型的分布函数。

May, 2023

生成模型的自适应密度估计

该论文研究了无监督学习中生成模型的训练方法，提出了一种在对抗网络与似然训练之间进行混合训练的方法，其中使用深度可逆变换来解决概率和逆变换之间的冲突，实现了更好的生成样本和更高的似然性评估。

Jan, 2019

混合输出高斯过程潜变量模型

此研究提出了一种贝叶斯非参数方法，用于信号分离，其中信号可以根据潜在变量而变化。我们的关键性贡献是将高斯过程潜变量模型（GPLVM）扩展为包括每个数据点由多个纯组分信号的加权和构成的情况，并且可以观察多个输入位置。我们的框架允许使用各种关于每个观测的权重的先验知识。这种灵活性使我们能够表示多种用例，包括估计分数构成的加权和为一约束条件和用于分类的二值权重。我们的贡献特别适用于光谱学，其中不同的条件可能导致基础纯组分信号从样本到样本变化。为了证明其在光谱学和其他领域的适用性，我们考虑了几个应用：具有不同温度的近红外光谱数据集，用于识别管道流动配置的模拟数据集，以及通过反射确定岩石类型的数据集。

Feb, 2024