基于投影的主动高斯过程回归用于帕累托前沿建模
机器学习
2020-01-22 v1 机器学习
摘要
帕累托前沿(PF)建模在经济学、医学或工程学等所有领域的决策问题中都至关重要。在运筹学文献中,该任务已基于多目标优化算法得到解决。然而,若无PF的学习模型,这些方法无法检验一个新给出的点是否位于PF上。本文从数据挖掘的角度重新审视该任务。提出了一种新颖的基于投影的主动高斯过程回归(P-aGPR)方法,用于高效的PF建模。首先,P-aGPR选择一系列维度由低到高排序的投影空间。接着,在每个投影空间中,训练一个高斯过程回归(GPR)模型来表示PF在该空间中应满足的约束。此外,为提高建模效能与稳定性,通过利用GPR模型中获得的不确定性信息,开发了一个主动学习框架。与所有现有方法不同,我们提出的P-aGPR方法不仅能提供生成式PF模型,还能快速检验所给点是否位于PF上。数值结果表明,与最先进的被动学习方法相比,所提出的P-aGPR方法可实现更高的建模精度与稳定性。
引用
@article{arxiv.2001.07072,
title = {Projection based Active Gaussian Process Regression for Pareto Front Modeling},
author = {Zhengqi Gao and Jun Tao and Yangfeng Su and Dian Zhou and Xuan Zeng},
journal= {arXiv preprint arXiv:2001.07072},
year = {2020}
}