用于高效训练计算昂贵数学模型模拟器的主动学习
统计方法学
2020-01-06 v2 统计计算
摘要
模拟器是详细数学模型（仿真器）的快速评估统计近似。当替代仿真器使用时，模拟器可加速需要大量重复评估的任务，如敏感性分析、策略优化、模型校准和信息价值分析。模拟器是利用仿真器在特定输入值（设计点）上的输出来开发的。开发紧密近似仿真器的模拟器可能需要许多设计点，这变得计算昂贵。我们描述了一种自终止主动学习算法，以高效开发针对特定模拟任务的模拟器，并将其与优化几何准则的算法（随机拉丁超立方抽样和最大投影设计）及其他主动学习算法（优化典型主动学习准则的分层树高斯过程）进行比较。我们在七个基准函数和一个前列腺癌筛查模型中比较了算法的均方根误差（RMSE）和与仿真器的最大绝对偏差（MAX）。在实证分析中，对于输入域上平滑性差异巨大的仿真器，主动学习算法在相同设计点数量下得到了更小RMSE和MAX的模拟器。在所有其他情况下，各算法表现相当。所提算法在所有分析中均达到满意性能，比分层树高斯过程变异性更小（其为确定性的），且平均而言在7个基准函数中的6个及前列腺癌模型中表现与分层树高斯过程相似或更好。
引用
@article{arxiv.1812.07673,
title = {Active learning for efficiently training emulators of computationally expensive mathematical models},
author = {Alexandra G. Ellis and Rowan Iskandar and Christopher H. Schmid and John B. Wong and Thomas A. Trikalinos},
journal= {arXiv preprint arXiv:1812.07673},
year = {2020}
}
备注
Counting appendix materials: 31 pages, 7 Figures, 3 Tables