基于深度高斯过程且输入定义域不同的多保真度建模
机器学习
2020-06-30 v1 机器学习
摘要
多保真度方法结合在稀缺但准确的数据集（高保真度数据集）与庞大但近似的数据集（低保真度数据集）上构建的不同模型，以提高预测精度。高斯过程（GPs）是展现这些不同保真度层级之间相关性的流行方法之一。作为 GPs 函数复合的深度高斯过程（DGPs）也已通过多保真度深度高斯过程模型（MF-DGP）被适配于多保真度。该模型通过在贝叶斯框架内考虑保真度间的非线性相关性，相比 GPs 提升了表达能力。然而，这些多保真度方法仅考虑了不同保真度模型的输入定义在同一定义域（例如相同变量、相同维度）上的情形。但由于低保真度建模中的简化，某些变量可能被省略，或采用与高保真度模型不同的参数化。本文中，将用于多保真度的深度高斯过程（MF-DGP）推广到各保真度采用不同参数化的情形。所提出的多保真度建模技术的性能在解析测试用例以及结构与气动真实物理问题上进行了评估。
引用
@article{arxiv.2006.15924,
title = {Multi-fidelity modeling with different input domain definitions using Deep Gaussian Processes},
author = {Ali Hebbal and Loic Brevault and Mathieu Balesdent and El-Ghazali Talbi and Nouredine Melab},
journal= {arXiv preprint arXiv:2006.15924},
year = {2020}
}