关键词probabilistic surrogate model
搜索结果 - 3
- 基于完全贝叶斯神经网络的不连续和非稳态数据的主动学习
主题:主动学习、概率替代模型、高斯过程、不连续性、完全贝叶斯神经网络;摘要:评估了完全贝叶斯神经网络在小数据条件下使用无 U-Turn 采样器进行主动学习任务的适用性和性能,突显了其增加物理科学问题相关测试函数的预测准确性和可靠性的潜力。
- 黑盒系统的贝叶斯安全验证
本文提出了一种基于贝叶斯优化的安全验证算法,它通过迭代地适配概率代理模型来高效预测故障,并通过重要性采样来估计操作域内的故障概率。经实验表明,该算法在减少样本数和各种安全验证指标方面表现良好,并可用于补充机器学习组件的 FAA 认证过程。
- 通过概率重参数化实现离散和混合空间的贝叶斯优化
利用概率重参数化方法(PR)在混合或高基数离散搜索空间中最大化收购功能(AF),可显著提高贝叶斯优化(BO)的优化表现,并且能够很自然地扩展到具有多个目标和黑盒约束的设置。