面向自诱导玻尔兹曼权重下的高斯过程回归的主动学习
机器学习
2026-05-12 v1 人工智能
摘要
我们考虑主动学习问题，其目标是在由函数自身诱导的未知玻尔兹曼分布下学习未知函数，以获得低预测误差。这种自诱导的加权方式在计算化学中的势能面 (PES) 模型中自然出现，但带来独特挑战，因为目标分布未知且其配分函数难以计算。我们提出了 \texttt{AB-SID-iVAR}，一种基于高斯过程的获取函数，能够以闭式近似难以计算的贝叶斯目标分布，同时避免配分函数估计，可用于离散和连续输入域。我们还分析了更高方差的蒙特卡洛变体 \texttt{TS-SID-iVAR}。尽管面对未知目标，在温和条件下，我们证明终端预测误差以高概率消失，并提供更紧的平均情况保证。我们在合成基准和真实世界的势能面建模及药物发现任务中 demonstrate 了其一致改进。
引用
@article{arxiv.2605.10654,
title = {Active Learning for Gaussian Process Regression Under Self-Induced Boltzmann Weights},
author = {Jixiang Qing and Henry Moss and Matthias Sachs},
journal= {arXiv preprint arXiv:2605.10654},
year = {2026}
}