基于新型概率迁移学习策略增强多项式混沌展开代理建模
机器学习
2023-12-11 v1 机器学习
摘要
在代理建模领域，多项式混沌展开（PCE）使从业者能够构建廉价而精确的代理模型，以替代昂贵的正向模型仿真。对于黑箱仿真，非侵入式PCE允许使用一组仿真响应评估来构建这些代理模型。在此背景下，PCE系数可通过线性回归（也称为点配置法或随机响应面法）获得。与投影等其他非侵入式方法相比，回归具有更好的可扩展性，并能处理含噪函数评估。然而，由于线性回归方法通常建议过采样，对于昂贵的正向模型而言，仿真需求变得难以承受。我们提出利用迁移学习，将通过在相似PCE代理构建任务（源域）中获得的知识迁移到正向模型仿真（训练数据）数量有限的新代理构建任务（目标域）。所提出的迁移学习策略使用受贝叶斯建模与数据同化启发的新技术，决定迁移多少信息（如果有的话）。该策略通过数值研究进行了详细检验，并应用于一个油气行业的工程问题。
引用
@article{arxiv.2312.04648,
title = {Enhancing Polynomial Chaos Expansion Based Surrogate Modeling using a Novel Probabilistic Transfer Learning Strategy},
author = {Wyatt Bridgman and Uma Balakrishnan and Reese Jones and Jiefu Chen and Xuqing Wu and Cosmin Safta and Yueqin Huang and Mohammad Khalil},
journal= {arXiv preprint arXiv:2312.04648},
year = {2023}
}