高斯过程分类器的多保真度批处理主动学习
机器学习
2025-10-13 v1 计算工程、金融与科学
计算物理
摘要
许多科学和工程问题依赖于昂贵的计算仿真，其中多保真度方法可加速参数空间的探索。我们研究在二值仿真输出情况下使用高斯过程（GP）模型高效分配仿真预算的方法。本文引入了伯努利参数互信息（BPMI），一种用于多保真度 GP 分类器的批处理主动学习算法。BPMI 通过对链接函数进行一阶泰勒展开，规避了在概率空间中计算互信息的不可计算性。我们在两个合成测试案例和一个涉及激光点燃火箭 Combustor 仿真的复杂真实应用中对 BPMI 与几个基线方法进行评估。在所有实验中，BPMI 均表现出优越性能，对于固定的计算预算，实现更高的预测准确率。
引用
@article{arxiv.2510.08865,
title = {Multi-fidelity Batch Active Learning for Gaussian Process Classifiers},
author = {Murray Cutforth and Yiming Yang and Tiffany Fan and Serge Guillas and Eric Darve},
journal= {arXiv preprint arXiv:2510.08865},
year = {2025}
}