通过高斯过程回归核设计以低维项简便表示多元函数：在稀疏数据下机器学习势能面与动能密度的应用
数值分析
2023-01-27 v3 数值分析
计算物理
数据分析、统计与概率
摘要
我们表明，高斯过程回归（GPR）允许通过核设计以低维项表示多元函数。当使用由 HDMR（高维模型表示）构建的核时，可获得与先前提出的 HDMR-GPR 方案类似类型的表示，同时更快且更易于使用。我们在需要从稀疏数据中获得高度准确机器学习的情形下测试了该方法，通过拟合势能面和动能密度进行验证。
引用
@article{arxiv.2111.11001,
title = {Easy representation of multivariate functions with low-dimensional terms via Gaussian process regression kernel design: applications to machine learning of potential energy surfaces and kinetic energy densities from sparse data},
author = {Eita Sasaki and Manabu Ihara and Sergei Manzhos},
journal= {arXiv preprint arXiv:2111.11001},
year = {2023}
}
备注
9 pages, 1 figure, 2 tables