分段高斯过程代理模型的主动学习
机器学习
2025-09-10 v4 机器学习
摘要
高斯过程（GP）代理模型的主动学习已用于优化物理/计算机模拟实验的设计，以及引导机器学习中的数据获取方案。在本文中，我们开发了一种用于分段 Jump GP 代理模型主动学习的方法。Jump GPs 在设计空间区域内连续，但在区域间不连续，这对于自主材料设计、智能工厂系统配置等诸多应用是必需的。尽管我们的主动学习启发式方法借鉴了最初为普通 GPs 设计的策略，但我们证明，在 Jump GP 背景下，额外考虑模型偏差（而非通常的模型不确定性）至关重要。为此，我们开发了 Jump GP 模型偏差与方差的估计量。我们在一系列合成基准以及不同复杂度的真实模拟实验上提供了说明，并给出所提方法优势的证据。
引用
@article{arxiv.2301.08789,
title = {Active Learning of Piecewise Gaussian Process Surrogates},
author = {Chiwoo Park and Robert Waelder and Bonggwon Kang and Benji Maruyama and Soondo Hong and Robert Gramacy},
journal= {arXiv preprint arXiv:2301.08789},
year = {2025}
}
备注
The main algorithm of this work is protected by a patent pending with application number 18/532,296