基于高斯过程的导数型全局灵敏度分析的主动学习
机器学习
2024-10-22 v2 人工智能
机器学习
摘要
我们考虑的是针对高昂黑箱函数进行全局灵敏度分析的主动学习问题。我们的目标是高效地学习不同输入变量的重要性，例如在车辆安全实验中，我们研究各种组件厚度对安全目标的影响。由于函数评估成本高昂，我们使用主动学习优先考虑在它们产生最大价值的实验资源。我们提出了新的主动学习获取函数，直接针对高斯过程代理模型下的导数型全局灵敏度测度 (DGSM) 的关键数量量进行优化。我们展示了首次将主动学习直接应用于 DGSM 的案例，并为这些测度开发了可计算的不确定性降低和信息增益获取函数。通过在合成和真实问题上的全面评估，我们的研究表明，这些主动学习获取策略在有限评估预算下显著提高了 DGSM 估计的样本效率。我们的工作为各种科学和工程应用中的更高效和更准确的灵敏度分析铺平了道路。
关键词
引用
@article{arxiv.2407.09739,
title = {Active Learning for Derivative-Based Global Sensitivity Analysis with Gaussian Processes},
author = {Syrine Belakaria and Benjamin Letham and Janardhan Rao Doppa and Barbara Engelhardt and Stefano Ermon and Eytan Bakshy},
journal= {arXiv preprint arXiv:2407.09739},
year = {2024}
}