评估高斯过程元模型与序贯设计用于含噪水平集估计
机器学习
2020-03-03 v2 机器学习
摘要
我们考虑学习噪声黑盒函数超过给定阈值的水平集的问题。为高效重建水平集，我们研究高斯过程（GP）元模型。我们的重点在于强随机采样器，特别是具有重尾模拟噪声和低信噪比的情形。为防范噪声设定错误，我们评估了三种变体的性能：（i）具有 Student- 观测的 GP；（ii）Student- 过程（TPs）；以及（iii）对响应符号建模的分类 GP。结合这些元模型，我们分析了若干用于引导序贯实验设计的采集函数，将现有的逐步不确定性缩减准则扩展到随机等高线寻找背景中。这也促使我们开发（近似）更新公式以高效计算此类采集函数。我们的方案通过使用 1–6 维的各种合成实验进行基准测试。我们还考虑了水平集估计在金融中百慕大期权最优行权策略确定中的应用。
引用
@article{arxiv.1807.06712,
title = {Evaluating Gaussian Process Metamodels and Sequential Designs for Noisy Level Set Estimation},
author = {Xiong Lyu and Mickael Binois and Michael Ludkovski},
journal= {arXiv preprint arXiv:1807.06712},
year = {2020}
}
备注
8 figures. Major update compared to v1 including multiple new sections and new plots. All Tables have been re-done