高斯微分方程的安全主动学习
机器学习
2024-12-13 v1 机器学习
摘要
高斯过程微分方程 (GPODE) 近期因其能够捕捉系统动态行为并代表预测不确定性而获得了关注。先前的工作描述了如何训练超参数并据此校准 GPODE 以数据为准。然而，如何设计高效算法来收集训练 GPODE 模型所需的数据仍是开放的研究领域。尽管高质量的训练数据对模型性能至关重要，但数据收集可能涉及时间成本和金钱成本，甚至在某些领域可能对正在测试的系统构成安全关键问题。因此，设计安全且高效的数据收集算法对于构建高质量 GPODE 模型至关重要。我们提出的新颖安全主动学习 (SAL) 用于 GPODE 算法解决了这一挑战，通过提出一种高效且非安全关键的数据收集机制。SAL GPODE 通过依次建议新数据、测量并用新数据更新 GPODE 模型来实现。如此一来，后续数据点被迭代地建议。SAL GPODE 算法的核心是一个受约束的优化问题，旨在最大化 GPODE 模型训练的新数据信息，同时受制于 underlying system 的安全性。我们在两个相关示例中展示了我们新颖的 SAL GPODE 优于以标准方式测量新数据的做法。
引用
@article{arxiv.2412.09053,
title = {Safe Active Learning for Gaussian Differential Equations},
author = {Leon Glass and Katharina Ensinger and Christoph Zimmer},
journal= {arXiv preprint arXiv:2412.09053},
year = {2024}
}