利用高斯过程在不确定性下设计黑盒模型判别的动态实验
机器学习
2021-11-02 v2 应用统计
摘要
科学和工程的多个领域使用参数化机理模型。工程师和科学家常可假设若干竞争模型来解释特定过程或现象。考虑一个模型判别场景,我们希望找到最佳的机理动态模型候选以及最佳模型参数估计。通常,若干竞争机理模型都能解释可用数据,因此用于模型判别的动态实验设计通过寻找使模型预测差异最大化的实验设置来帮助最优地收集额外数据。我们认为文献中解决最优设计问题主要有两种方法:(i)解析方法,使用线性和高斯近似来求设计目标的闭式表达式;(ii)数据驱动方法,通常依赖计算密集的蒙特卡洛技术。Olofsson等人(ICML 35, 2018)引入了高斯过程(GP)代理模型以混合解析与数据驱动方法,从而实现了计算高效的实验设计以判别黑盒模型。在本研究中,我们证明了可将现有的动态实验最优设计方法扩展以纳入更广泛的问题不确定性。我们也扩展了Olofsson等人(2018)使用GP代理模型判别动态黑盒模型的方法。我们在一个文献中著名的案例研究上评估了我们的方法,并探讨了使用GP代理近似基于梯度的方法的后果。
引用
@article{arxiv.2102.03782,
title = {Using Gaussian Processes to Design Dynamic Experiments for Black-Box Model Discrimination under Uncertainty},
author = {Simon Olofsson and Eduardo S. Schultz and Adel Mhamdi and Alexander Mitsos and Marc Peter Deisenroth and Ruth Misener},
journal= {arXiv preprint arXiv:2102.03782},
year = {2021}
}