使用 Emukit 对物理过程进行仿真模拟
机器学习
2021-10-27 v1
摘要
在不确定场景下进行决策是现实世界系统中普遍存在的挑战。应对该挑战的工具包括用于收集信息的仿真模拟，以及用于量化不确定性的统计仿真（emulation）。机器学习界已开发了许多促进决策的方法，但迄今它们分散于多个不同工具包中，且通常依赖固定的后端。本文中，我们提出 Emukit，一个高度可适配的 Python 工具包，用于丰富不确定性下的决策。Emukit 允许用户：(i) 使用包括贝叶斯优化、多保真度仿真、实验设计、贝叶斯求积与敏感性分析在内的前沿方法；(ii) 针对新问题轻松原型化新的决策方法。Emukit 对底层建模框架不可知，并使用户能使用其自定义模型。我们展示了 Emukit 如何在三个示例性案例研究中使用。
引用
@article{arxiv.2110.13293,
title = {Emulation of physical processes with Emukit},
author = {Andrei Paleyes and Mark Pullin and Maren Mahsereci and Cliff McCollum and Neil D. Lawrence and Javier Gonzalez},
journal= {arXiv preprint arXiv:2110.13293},
year = {2021}
}
备注
Second Workshop on Machine Learning and the Physical Sciences, NeurIPS 2019