用于加速随机模拟的深度贝叶斯主动学习
机器学习
2023-06-06 v7 机器学习
摘要
诸如大规模、时空、年龄结构流行病模型等随机模拟在细粒度分辨率下计算代价高昂。尽管深度代理模型可加速模拟，但针对随机模拟且采用主动学习方法来达成此目的仍是一个未被充分探索的领域。我们提出交互式神经过程（INP），一种用于学习深度代理模型以加速随机模拟的深度贝叶斯主动学习框架。INP 由两部分组成：构建于神经过程（NP）家族之上的时空代理模型，以及用于主动学习的采集函数。对于代理建模，我们开发了时空神经过程（STNP）以模仿模拟器动态。对于主动学习，我们提出一种新颖的采集函数——潜在信息增益（LIG），其基于 NP 族模型在潜在空间中计算。我们进行理论分析并证明，在高维情况下 LIG 相比随机采样降低了样本复杂度。我们还在三个复杂的时空模拟器（反应扩散、热流与传染病）上进行了实证研究。结果表明 STNP 在离线学习设置下优于基线，且 LIG 实现了贝叶斯主动学习的当前最优性能。
引用
@article{arxiv.2106.02770,
title = {Deep Bayesian Active Learning for Accelerating Stochastic Simulation},
author = {Dongxia Wu and Ruijia Niu and Matteo Chinazzi and Alessandro Vespignani and Yi-An Ma and Rose Yu},
journal= {arXiv preprint arXiv:2106.02770},
year = {2023}
}