输入不确定性下寻找可靠水平集的贝叶斯实验设计
机器学习
2019-10-29 v1 机器学习
摘要
在制造业中，常常需要重复对机器进行昂贵的运行测试，以识别机器正常运行的输入条件范围。由于在机器实际使用中往往难以精确控制输入条件，因此需要在适当纳入输入条件可能变化的情况下保证机器性能。本文将这一实际制造场景表述为输入不确定可靠水平集估计(IU-rLSE)问题，并提供了求解该问题的高效算法。IU-rLSE的目标是，在适当考虑输入不确定性的情况下，以高概率识别出能获得小于/大于期望阈值的输出的输入范围。我们提出了一种主动学习方法来高效求解IU-rLSE问题，从理论上分析了其精度与收敛性，并通过人工与真实数据的数值实验说明了其经验性能。
引用
@article{arxiv.1910.12043,
title = {Bayesian Experimental Design for Finding Reliable Level Set under Input Uncertainty},
author = {Shogo Iwazaki and Yu Inatsu and Ichiro Takeuchi},
journal= {arXiv preprint arXiv:1910.12043},
year = {2019}
}
备注
18 pages, 8 figures