- 多层次最优臂识别
在本文中,我们研究多信度最佳臂识别问题,通过提出一种以梯度为基础的方法,我们找到了具有渐近最优成本复杂度的解决方案,并针对每个臂还提出了最优保真度的概念。
- 高维度输入的简化阶模型的多保真度方法
用于航空设计的多重保真度、参数化和非侵入性约简阶层模型的构建和验证。
- AI 增强模拟指导操作
使用长短期记忆(LSTM)神经网络的多保真度自适应方法来估计双峰双向海况下的船舶响应统计数据,并使用低保真度的 SimpleCode 和高保真度的 LAMP 工具生成训练数据,通过对 LAMP 船舶运动响应数据进行训练后,将历史天气输入到 - GFlowNets 多阶段主动学习
本文提出采用 GFlowNets 多保真度主动学习算法,可在具有多个保真度和代价参差不齐的神奇黑匣子函数的情况下,高效加速科学发现和工程设计。
- 分子激发态能量的多精度机器学习
本文提出一种利用多保真度机器学习模型预测分子第一激发态能级的方法,该方法将高度准确的训练数据与成本更低、准确度较低的数据相结合,能够在保持高精度的同时极大地降低计算时间和成本。
- 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。
- HPOBench: HPO 复现性多保真性能基准问题集合
为了解决现有超参数优化基准缺乏现实性、多样性、低成本和标准化等问题,该研究提出了 HPOBench 基准,它包括多种实际且可复现的多保真度超参数优化基准问题,并提供计算成本较低的代理基准和表格基准以进行统计学评估。对于来自 6 种优化工具的 - GIBBON: 通用信息为基础的贝叶斯优化
本文介绍了 GIBBON 作为一种通用的贝叶斯优化方法,它提供了一种新的信息增益近似方法,可解决包括噪声、多保真度和批量优化在内的一系列 BO 问题,并且是目前支持非欧氏空间的高性能但计算量轻的批量 BO 获取函数,同时在各种综合测试中表现 - BOAH: 多保真贝叶斯优化和超参数分析工具套件
本文介绍了 Python 编写的综合工具套件,用于有效的多保真贝叶斯优化和其运行分析,以解决黑盒贝叶斯优化中因每个模型的训练和评估需要数小时而导致的问题。
- 基于多保真数据学习的复合神经网络:应用于函数逼近和反向偏微分方程问题
本文提出了一种基于多保真数据培训的新型复合神经网络,用于近似标准基准函数和 20 维函数,以及对多保真数据进行训练,包含四个完全连接的神经网络,第一个近似低忠实度数据,第二个和第三个构造低和高忠实度数据之间的相关性,并生成多忠实度近似,然后 - 多精度贝叶斯优化中的最大值熵搜索及其并行化
本文介绍了一种基于 max-value entropy search 的多保真度贝叶斯优化 (MF-MES) 方法,该方法通过考虑最优函数值的熵,而非最优输入点,大大简化了计算,并成功解决了信息熵的估计难题。同时,文章还提出了 MF-MES - NIPS多保真度高斯过程贝叶斯优化
在支持多精度的贝叶斯优化中,MF-GP-UCB 方法可显着提高性能并降低遗憾值
- 多保真度计算机实验设计的递归共同克里金模型及其在流体力学中的应用
本文提出了一种基于递归公式的多保真度联合克里金模型,其优点在于该模型通过一系列独立的克里金模型来建立,可以自然地扩展一些传统克里金模型的属性,同时提供了一种通用克里金方程的扩展方法,成功应用于仿真程序的建模,降低了计算复杂度。