通过主动迁移学习自动测试空间依赖的环境假设

由于时间、能源和潜在的环境破坏等高昂的采样成本，高效的样本采集是户外信息收集应用中的一个重要因素。利用可用的先验数据可以成为提高效率的有力工具。然而，这些数据与感兴趣量之间的关系往往事先未知，限制了利用这些知识提高规划效率的能力。为此，本工作通过多任务高斯过程和基于信息的目标函数，结合了迁移学习与主动学习。通过这种结合，它可以探索假设的量间关系空间并实时评估这些假设，从而使这些新知识能够立即被用于未来的规划。所提出方法的性能在合成数据上进行了评估，结果显示其能正确评估多个假设。其在真实数据集上的有效性也得到了证实。该技术能够识别并利用显示出中等或强相关性的假设，在前 7 个样本内将预测误差降低 1.4 至 3.4 倍，同时快速识别并拒绝劣质假设，最终不产生任何负面影响。