一种降低预测不确定度的多保真高斯过程自适应采样策略
机器学习
2019-07-30 v1 机器学习
摘要
多保真高斯过程是应对优化、校准与不确定性量化等大量计算需求算法的常用方法。多保真高斯过程的自适应采样是一项变化任务，因为我们不仅寻求估计设计变量的下一采样位置，还要估计模拟器保真度层级。该问题常通过在搜索准则中将模拟器代价作为另一因子与不确定性削减度量结合来处理。本工作中，我们基于保真度层级与相应执行代价对预测不确定性进行划分，从而扩展传统的多保真高斯过程实验设计框架。此外，我们利用 Believer 概念来量化添加一个探索性设计点对高斯过程不确定性预测的影响。我们使用学术示例以及流化床过程稳态热力学操作点的工业应用展示了我们的框架。
引用
@article{arxiv.1907.11739,
title = {A Strategy for Adaptive Sampling of Multi-fidelity Gaussian Process to Reduce Predictive Uncertainty},
author = {Sayan Ghosh and Jesper Kristensen and Yiming Zhang and Waad Subber and Liping Wang},
journal= {arXiv preprint arXiv:1907.11739},
year = {2019}
}