平滑模型检验中的主动与稀疏方法
机器学习
2021-04-21 v1 计算机科学中的逻辑
系统与控制
系统与控制
摘要
基于高斯过程分类的平滑模型检验为参数化连续时间马尔可夫链模型的统计模型检验提供了一种强大方法。该方法通过对不同参数组合的有限数量观测使用高斯过程推断方法，构建满足概率对马尔可夫链参数的函数依赖的模型。在这项工作中，我们考虑基于稀疏变分方法和主动学习的平滑模型检验扩展。两者都成功用于改进平滑模型检验的可扩展性。特别地，我们看到基于主动学习的迭代查询模拟模型以获观测的想法可用于将模型检验引导至参数空间中更具信息量的区域，从而提高样本效率。稀疏变分高斯过程推断算法的在线扩展被证明为平滑模型检验实现主动学习方法提供了可扩展的方法。
引用
@article{arxiv.2104.09940,
title = {Active and sparse methods in smoothed model checking},
author = {Paul Piho and Jane Hillston},
journal= {arXiv preprint arXiv:2104.09940},
year = {2021}
}