主动多信息源贝叶斯求积
机器学习
2021-02-15 v3 机器学习
摘要
贝叶斯求积（BQ）是一种样本高效的概率数值方法，用于求解昂贵黑盒函数的积分，但迄今为止，主动 BQ 学习方案仅关注被积函数本身作为信息源，并不允许来自更廉价的相关函数的信息迁移。在此，我们为多信息源且各源成本可变（在输入与源上）可获取时的 BQ 主动学习奠定基础。例如，当评估被积函数需要运行复杂仿真，而该仿真可通过较低复杂度和较低开销的仿真来近似时，会出现此设定。我们构建了有意义的代价敏感多源采集率，作为对普通 BQ（VBQ）中常用效用函数的扩展，并讨论了盲目推广所产生的陷阱。此外，我们表明 VBQ 采集策略是所有考虑的代价敏感采集方案的特例，在单一源且恒定成本的情况下退化为单一退化策略。在概念验证实验中，我们审视了广义采集函数的行为。在一个流行病学模型上，我们证明了主动多源 BQ（AMS-BQ）比 VBQ 更高效地分配预算以学习积分至良好精度。
引用
@article{arxiv.1903.11331,
title = {Active Multi-Information Source Bayesian Quadrature},
author = {Alexandra Gessner and Javier Gonzalez and Maren Mahsereci},
journal= {arXiv preprint arXiv:1903.11331},
year = {2021}
}