一种基于主动学习的高斯过程代理建模新策略用于前向UQ分析中全概率分布的估计
机器学习
2019-08-28 v1 机器学习
应用统计
摘要
本文提出一种基于主动学习的高斯过程（AL-GP）代理建模方法，用于估计前向不确定性量化（UQ）问题的累积分布函数与补累积分布函数（CDF/CCDF）。在UQ领域内，以往研究聚焦于开发针对昂贵黑箱求解器可靠性（稀有事件概率）分析的AL-GP方法。对这些算法针对不同CDF/CCDF阈值进行朴素迭代将得到离散化CDF/CCDF。然而，该方法不可避免地导致精度与计算效率间的权衡，因二者（以相反方式）依赖于所选离散化。本研究开发了专门的误差度量与学习函数，使所得AL-GP方法能在不显式依赖离散化的情况下，高效估计感兴趣范围内的CDF/CCDF。特别地，所提AL-GP方法能同时在其中位-低概率区域提供准确的CDF与CCDF估计。引入三个数值算例以测试并验证所提方法。
引用
@article{arxiv.1908.10341,
title = {A novel active learning-based Gaussian process metamodelling strategy for estimating the full probability distribution in forward UQ analysis},
author = {Ziqi Wang and Marco Broccardo},
journal= {arXiv preprint arXiv:1908.10341},
year = {2019}
}