在无界输入空间中学习可行域的主动扩展采样
机器学习
2018-01-23 v3 机器学习
摘要
许多工程问题需要在隐式约束下识别可行域。一个例子是基于美学和功能等约束寻找可接受的汽车车身造型设计。当前的基于主动学习的方法针对有界输入空间学习可行域。然而，我们通常缺乏关于如何设置这些输入变量边界的先验知识。边界过小将无法覆盖所有可行域；而边界过大则会浪费查询预算。为避免此问题，我们引入了主动扩展采样 (AES)，这是一种在无界输入空间上识别（可能不连通的）可行域的方法。AES 逐步扩展我们对输入空间的了解，并利用连续的利用和探索阶段，在学习决策边界和搜索新可行域之间切换。我们表明，AES 在探索区域内具有误分类损失保证，且该保证独立于迭代次数或标记样本数量。因此，它可用于实时预测探索区域内样本的可行性。我们在三个测试示例上评估了 AES，并将其与两种自适应采样方法——邻域 Voronoi 算法和跨立启发式方法——进行了比较，后两者在固定的输入变量边界上运行。
引用
@article{arxiv.1708.07888,
title = {Active Expansion Sampling for Learning Feasible Domains in an Unbounded Input Space},
author = {Wei Chen and Mark Fuge},
journal= {arXiv preprint arXiv:1708.07888},
year = {2018}
}