高斯过程代理模型的自适应分批及其在含噪水平集估计中的应用
机器学习
2021-07-14 v2 机器学习
摘要
我们为随机实验的高斯过程元模型开发了自适应重复设计。自适应分批是序贯设计启发式的自然扩展，其益处在于随着响应特征的习得、输入的集中以及元建模开销的上升，重复次数随之增长。受学习均值模拟器响应水平集问题的启发，我们开发了四种新方案：多级分批（MLB）、棘轮分批（RB）、自适应分批逐步不确定性缩减（ABSUR）、逐步分配的适应性设计（ADSA）与逐步分配的确定性设计（DDSA）。我们的算法同时（MLB、RB 与 ABSUR）或序贯（ADSA 与 DDSA）确定序贯设计输入及各自的重复次数。基于合成算例与定量金融中的应用（通过回归蒙特卡洛的百慕大期权定价）的说明表明，自适应分批以最小的建模保真度损失带来了显著的计算加速。
引用
@article{arxiv.2003.08579,
title = {Adaptive Batching for Gaussian Process Surrogates with Application in Noisy Level Set Estimation},
author = {Xiong Lyu and Mike Ludkovski},
journal= {arXiv preprint arXiv:2003.08579},
year = {2021}
}
备注
36 pages, 6 figures