本研究提供了有关利用 BOED 及机器学习寻找可为任何类型的可模拟数据的模型提供最佳实验的教程,以及如何使用此过程的副产品快速、简便地评估模型及其参数与真实实验数据的方法,并利用模拟和真实实验验证了所提出方法的有效性。
May, 2023
通过高斯过程回归和贝叶斯优化技术,针对材料设计和发现等高维复杂问题,提出一种基于价值信息分析的预期改进和知识梯度方法,以最少的实验找到优良的材料设计方案。
Jun, 2015
研究推断基于模拟器的统计模型,提出了结合概率建模和优化的策略来加速无似然推断方法,实现了对几个数量级所需模拟次数的削减。
Jan, 2015
提出一种基于多元高斯过程模拟和 Copula 方法相结合的策略,用于寻找涉及参数估计和模型比较实验目标的困难似然模型的 Bayesian 设计。
Mar, 2018
本研究提出了一种基于强化学习的方法,用于自动调整非可微模拟器的参数,从而控制合成数据的分布以最大化模型的精度,相较于现有技术,该方法全面控制模拟器以最大化精度。
Oct, 2018
本研究基于贝叶斯优化框架,建立高斯过程模型,通过前期实验获得的信息来优化机器学习算法的超参数调整,作者提出可以超过经验人类调参表现的自动算法,并介绍收集实验信息、利用多核心并行实验等新算法。
Jun, 2012
为贝叶斯反演问题设计最优实验设计方案的一个高效算法方法,使最优设计对反问题的要素的错误估计具有鲁棒性。具体而言,我们考虑一种针对不确定或错误估计参数的最坏情况方法,提出了一种优化这些目标的算法方法,进行了深入的数值实验,以验证和分析所提出的方法。
在这项工作中,我们提出了一种基于 GoOSE 算法的实时纯数据驱动的自适应控制方法,用于在线调整低级控制器参数,从而处理性能和稳定性的要求,并通过修改负载和参考步长将其与插值约束优化方法进行比较,用于评估算法在半导体行业应用中实现的真实精密运动系统的性能。
Apr, 2024
《ANP-BBO: 基于 Bayesian 优化的可扩展的建筑数字孪生参数校准方法》提出了 ANP-BBO 方法,即一种可扩展且可并行化的批次式 Bayesian 优化方法,利用关注机制的神经过程模型,以解决大规模数字孪生模型参数校准的困难。
Jun, 2021
本研究提出了一种基于贝叶斯模型校准的方法,通过统计公式将计算模型的输出与物理测量结果结合,从而进行推理,并估算了原子核的质量参数。
Jul, 2014