带保证的过估计学习
机器学习
2021-01-29 v1 人工智能
神经与进化计算
机器学习
摘要
我们描述了一种完整的方法，该方法学习一个神经网络，保证在给定域上过估计一个参考函数。该神经网络随后可用作参考函数的代理。该方法包含两步。第一步，我们构造一组自适应的Majoring Points（控制点）。第二步，我们优化一个精心选择的神经网络以过估计这些Majoring Points。为了将Majoring Points上的保证扩展到整个域，我们必然要对参考函数做出假设。在本研究中，我们假设参考函数是单调的。我们在合成与真实问题上提供了实验。实验表明，Majoring Points的密度集中在参考函数变化之处。学习到的过估计既保证过估计参考函数，并且经实证证明能对其提供良好近似。真实数据上的实验表明，该方法使得在嵌入式系统中使用代理函数成为可能，而对于这些系统，低估是关键的；当计算参考函数需要过多资源时。
引用
@article{arxiv.2101.11717,
title = {Overestimation learning with guarantees},
author = {Adrien Gauffriau and François Malgouyres and Mélanie Ducoffe},
journal= {arXiv preprint arXiv:2101.11717},
year = {2021}
}