基于高斯过程的计算机代码主动仿真——在遥感中的应用
机器学习
2019-12-16 v1 机器学习
摘要
许多科学和工程领域依赖运行复杂且计算昂贵的模型进行仿真，以理解所关注系统中的相关过程。然而，高昂的成本阻碍了可靠且详尽的仿真。这类代码常常引入启发式规则，讽刺的是反而使其更难以处理和不透明。本文提出一种主动学习方法，用于在多输出设置下自适应构建此类昂贵计算机代码的替代模型，即仿真器。所提技术是顺序且自适应的，基于合适采集函数的优化。它旨在实现精确近似、模型可处理性，以及紧凑且具表达力的仿真数据集。为此，所提出的主动多输出高斯过程仿真器（AMOGAPE）将高斯过程（GPs）的预测能力与一种偏好在近似函数低密度和波动区域采样的采集函数设计相结合。通过比较不同采集函数，我们以玩具示例以及一种广泛使用的遥感传输代码说明了该方法构建仿真器的良好性能。
引用
@article{arxiv.1912.06552,
title = {Active emulation of computer codes with Gaussian processes -- Application to remote sensing},
author = {Daniel Heestermans Svendsen and Luca Martino and Gustau Camps-Valls},
journal= {arXiv preprint arXiv:1912.06552},
year = {2019}
}
备注
Keywords: Active learning; Gaussian process; Emulation; Design of experiments; Computer code; Remote sensing; Radiative transfer model