基于 ε-邻域决策边界估计 (EDGE) 的二维黑盒分类器函数
计算几何
2026-02-17 v3 机器学习
数值分析
数值分析
摘要
准确估计黑盒系统中的决策边界对于确保实际应用中的安全性、质量和可行性至关重要。然而，现有方法通过迭代细化边界估计并在不确定性区域采样，无法保证与决策边界的接近程度，同时会产生不必要的探索，尤其在评估成本较高时尤为不利。本文提出了 ε-邻域决策边界主导的估计方法 (ε-Neighborhood Decision-Boundary Governed Estimation, EDGE)，这是一种样本高效且函数无关的数学算法，利用介值定理在用户指定的 ε-邻域内估计黑盒二分类器的决策边界位置。为演示其适用性，本文针对可再生能源注入不确定的电网稳定问题进行案例研究。在三个测试函数上进行评估，结果表明 EDGE 算法在样本效率和边界逼近方面优于自适应抽样技术和网格搜索方法。
引用
@article{arxiv.2504.09733,
title = {Epsilon-Neighborhood Decision-Boundary Governed Estimation (EDGE) of 2D Black Box Classifier Functions},
author = {Mithun Goutham and Riccardo DalferroNucci and Stephanie Stockar and Meghna Menon and Sneha Nayak and Harshad Zade and Chetan Patel and Mario Santillo},
journal= {arXiv preprint arXiv:2504.09733},
year = {2026}
}