基于局部自适应高斯过程先验的鲁棒迁移学习用于主动水平集估计
机器学习
2024-10-10 v1 机器学习
摘要
黑箱函数的主动水平集估计的目标是通过迭代执行函数评估以获取更多关于函数的信息，从而精确识别函数值超过或低于指定阈值的区域。当函数评估成本高昂，严重限制了我们获取大型数据集的能力时，这一点变得尤为重要。一种能够高效采样的黑箱函数建模方法是通过整合来自相关函数的先验知识。然而，如果先验知识不相关或具有误导性，这种方法可能会减慢估计任务的速度。在本文中，我们提出了一种用于主动水平集估计的新型迁移学习方法，该方法能够安全地整合给定的先验知识，同时不断调整它，以保证水平集估计算法即使在先验知识不相关时也能具有鲁棒性能。我们从理论上分析了该算法，表明与不对先验进行任何调整的标准迁移学习方法相比，它具有更好的水平集收敛性。此外，跨多个数据集的广泛实验证实了我们的方法在应用于各种不同的水平集估计算法以及不同的迁移学习场景时的有效性。
引用
@article{arxiv.2410.05660,
title = {Robust Transfer Learning for Active Level Set Estimation with Locally Adaptive Gaussian Process Prior},
author = {Giang Ngo and Dang Nguyen and Sunil Gupta},
journal= {arXiv preprint arXiv:2410.05660},
year = {2024}
}