解耦的多保真度深度贝叶斯主动学习
机器学习
2023-06-06 v3
摘要
为平衡质量与成本，科学和工程的多个领域以不同复杂程度运行仿真。多保真度主动学习旨在通过对多个保真度级别主动获取数据，学习从输入参数到最高保真度仿真输出的直接映射。然而，基于高斯过程的现有方法难以扩展到高维数据。基于深度学习的方法常在隐藏表示中强加层次结构，仅支持从低保真度向高保真度传递信息。这些方法会导致低保真度表示的误差不期望地传播到高保真度表示。我们提出一种称为解耦的多保真度深度贝叶斯主动学习（D-MFDAL）的新框架，其学习以多个保真度上函数分布为条件的代理模型。在包括热方程、泊松方程和流体仿真的偏微分方程深度代理学习基准任务上，我们的方法在预测精度和样本效率上显著优于最先进水平。
引用
@article{arxiv.2305.04392,
title = {Disentangled Multi-Fidelity Deep Bayesian Active Learning},
author = {Dongxia Wu and Ruijia Niu and Matteo Chinazzi and Yian Ma and Rose Yu},
journal= {arXiv preprint arXiv:2305.04392},
year = {2023}
}