深度多保真度高斯过程
机器学习
2016-04-27 v1 机器学习
摘要
我们提出了一种新颖的多保真度框架，其能力远超 Kennedy 和 O'Hagan (2000) 提出的经典 AR(1) Co-kriging 方案。我们的方法可以处理不同保真度系统之间的一般不连续交叉相关性。通过将多保真度高斯过程（AR(1) Co-kriging）与深度神经网络相结合，我们构建了一种对不连续性具有鲁棒性的方法。我们通过使用旨在模拟复杂高保真度和低保真度代码输出的标准基准问题，验证了新技术的有效性。
引用
@article{arxiv.1604.07484,
title = {Deep Multi-fidelity Gaussian Processes},
author = {Maziar Raissi and George Karniadakis},
journal= {arXiv preprint arXiv:1604.07484},
year = {2016}
}