互信息的自适应局部核表述及其在震后建筑损伤主动推断中的应用
机器学习
2021-08-17 v2 信息论
math.IT
摘要
在各种监督学习应用中，训练数据的丰富性无法保证。其中情形之一为震后区域建筑损伤评估。查询每栋建筑的损伤标签需要专家彻底检查，因此是一项昂贵任务。一种实用方法是在序贯学习方案中采样最具信息量的建筑。主动学习方法推荐最具信息量的样本，能够最大程度降低泛化误差。互信息（MI）这一信息论度量是在基于池的样本选择场景中评估样本有效性的最有效准则之一。然而，标准MI算法的计算复杂度阻碍了该方法在大型数据集上的使用。已有研究提出局部核策略以降低计算成本，但该策略原始表述中未考虑核对已观测标签的适应性。本文发展了自适应局部核方法，使核能够适应已观测输出数据，同时改善标准MI算法的计算复杂度。所提算法在高斯过程回归（GPR）框架下开发，其中核超参数在每次标签查询后使用最大似然估计更新。在序贯学习过程中，更新后的超参数可用于MI核矩阵以改进样本推荐性能。其优势在2018年安克雷奇（AK）地震的模拟中得到展示。结果表明，所提算法使GPR以更少训练数据达到可接受性能，且计算需求仍低于标准局部核策略。
引用
@article{arxiv.2105.11492,
title = {Adaptive Local Kernels Formulation of Mutual Information with Application to Active Post-Seismic Building Damage Inference},
author = {Mohamadreza Sheibani and Ge Ou},
journal= {arXiv preprint arXiv:2105.11492},
year = {2021}
}
备注
This article is published in the journal of Reliability Engineering & System Safety