基于高斯过程全局敏感性分析的主动学习研究
机器学习
2023-08-29 v1
摘要
本文探讨了主动学习策略在自适应学习 Sobol 指数以进行全局敏感性分析中的应用。我们指出，由于 Sobol 指数定义为从高斯过程代理模型估计的方差之比，其主动学习面临独特挑战。因此，学习策略必须聚焦于该比值分子或分母的收敛。然而，任一者的快速收敛并不能保证 Sobol 指数的收敛。我们提出了一种聚焦于解析高斯过程主效应（关联 Sobol 指数分子）的主动学习新策略，并与基于总方差（Sobol 指数分母）收敛的现有策略进行比较。该新策略通过称为 MUSIC（最小化 Sobol 指数收敛中的不确定性）的新学习函数实现，在 Sobol 指数误差上的收敛通常快于基于全局拟合期望改进（EIGF）和全局拟合方差改进（VIGF）的现有策略。两种策略均与简单序贯随机采样进行比较，MUSIC 学习函数对于低维问题通常收敛最快。然而，对于高维问题，其性能与随机采样相当。该新学习策略在大规模边界层风洞实验自适应实验设计的实际案例中得到了演示。
引用
@article{arxiv.2308.14220,
title = {On Active Learning for Gaussian Process-based Global Sensitivity Analysis},
author = {Mohit Chauhan and Mariel Ojeda-Tuz and Ryan Catarelli and Kurtis Gurley and Dimitrios Tsapetis and Michael D. Shields},
journal= {arXiv preprint arXiv:2308.14220},
year = {2023}
}
备注
31 pages, 16 figures