Jun, 2024

耦合输入输出维度缩减：应用于目标导向的贝叶斯实验设计和全局敏感性分析

PDF
TL;DR在这篇研究论文中，我们引入了一种新的方法来同时降低输入和输出空间的维度。我们的联合方法支持目标导向的维度减少，其中输入或输出的感兴趣数量被预设。我们特别考虑了目标导向的传感器放置和目标导向的灵敏度分析，可以视为选择最重要的输出或输入组件的维度减少。通过优化梯度边界，我们可以确定最具信息量的传感器和最敏感的参数，从而避免组合优化和目标评估的困难。
dimension reductioninput subspaceoutput subspacegoal-orientedsensor placement
发现论文，激发创造
  • 神经网络中自适应降维的规范化理论

    本研究提出了三个目标函数和相应的自适应算法，可根据输入协方差矩阵的特征值谱自适应地调整输出维度，这些算法被映射到符合生物学可行的局部学习规则的神经元网络中。

    Nov, 2015

  • 高维贝叶斯优化之监督降维

    本文提出了一种基于 Sliced Inverse Regression（SIR）的高维贝叶斯优化算法，能够通过降维方法学习对象函数的内在子结构，并且采用了核技巧来降低计算复杂度和学习非线性的子集。实验证明，该算法在高维贝叶斯优化中具有优越性。

    Jul, 2019

  • 利用随机先验网络进行高维输出的可伸缩贝叶斯优化

    本文提出了一个深度学习框架，基于具有随机先验的 bootstrap 整合的神经体系结构，用于贝叶斯优化和连续决策。该框架能够在高维输出的情况下逼近设计变量和感兴趣数量之间的函数关系，测试表明该方法在优化轮毂叶片的形状等高度复杂的任务中具有明显的优越性。

    Feb, 2023

  • 高维贝叶斯优化与大规模约束的应用 -- 飞机弹性调整

    使用高维贝叶斯优化和降维方法结合解决在航弹性优化中出现的高维问题，为具有大规模约束的问题提出了一种新颖的方法。实验证明该方法能够纳入大规模约束。

    Dec, 2023

  • 形状优化设计空间维度缩减方法调查

    工程设计中的功能表面维度缩减技术对形状优化进行了详尽的回顾，从经典的线性方法（如主成分分析）到非线性方法（如自动编码器），再到集成物理数据的创新物理感知方法，探讨了这些技术的光谱。通过将这些方法整合到优化框架中，显示它们显著减轻了维度的困扰，简化了计算过程，以及在复杂功能表面的探索和优化中进行了改进。这份调查对方法进行了分类，凸显了这些技术在简化设计挑战方面的变革性影响，从而促进了更高效和有效的工程解决方案。

    May, 2024

  • 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

  • 形状优化中的异常检测和设计空间降维的生成模型

    我们的研究提出了一种新的形状优化方法，通过减少定义新的减少子空间的原始设计变量的数量，并通过概率线性潜变量模型（如因子分析和概率主成分分析）对数据的生成过程建模，以提高全局优化算法的效率，并在优化过程中生成没有几何异常的高质量设计。

    Aug, 2023

  • 高效稳健的贝叶斯超参数选择方法在降维可视化中的应用

    本研究提出了一个有效且强健的自动调参框架，用于在大型数据集和任意性能指标下进行降维算法的超参数选择，利用贝叶斯优化和代理模型，该方法使得超参数选择具有多目标权衡的效率，并允许我们进行数据驱动的敏感性分析。通过添加归一化和子采样，该框架表现出了多样性和高效性，并在 t-SNE 和 UMAP 等可视化技术应用中进行了评估。我们利用多种质量指标在各种合成和实际数据集上评估了我们的结果，从而为降维算法中的超参数选择提供了一个强健而高效的解决方案

    Jun, 2023

  • 参数降维的流形学习

    本研究探索了一种通过有效参数识别的数据驱动参数缩减方法，从目前的非线性流形学习技术开始，以实现对与复杂模型相关的高维参数空间的高效探索。

    Jul, 2018

  • 降维多目标策略学习与优化

    通过降维回归模型，我们提出了一种数据驱动的方法，以多目标的最优政策学习为背景，从观测结果中学习出真实结果的低维度表示。我们的方法在政策评估和优化中降低了估计误差，通过降低噪音社会结果的方差，提高了算法分配的性能。

    Apr, 2024