通过后验采样与正基感知 Cox 过程
机器学习
2022-03-31 v2 机器学习
摘要
我们研究 Cox 点过程的自适应感知，这是空间统计中广泛使用的模型。我们引入三项任务：最大化捕获事件、搜索强度函数最大值以及学习强度函数的水平集。我们将强度函数建模为截断高斯过程的样本，以特殊构造的正基表示。在该基下，强度函数的非负约束具有简单形式。我们展示最小描述正基如何适配协方差核、非平稳性，并与已有工作中的常见正基建立联系。我们的自适应感知算法使用 Langevin 动力学，并基于后验采样（\textsc{Cox-Thompson}）与 Top2 后验采样（\textsc{Top2}）原理。后者中，样本间差异作为不确定性的代理。我们利用环境监测与犯罪率建模中的实例展示该方法，并与经典贝叶斯实验设计方法比较。
引用
@article{arxiv.2110.11181,
title = {Sensing Cox Processes via Posterior Sampling and Positive Bases},
author = {Mojmír Mutný and Andreas Krause},
journal= {arXiv preprint arXiv:2110.11181},
year = {2022}
}