基于主动学习与知识共享的误差控制自适应Kriging信息价值分析
应用统计
2020-03-16 v2 机器学习
摘要
许多现象中的巨大不确定性对决策提出了挑战。收集额外信息以更好地刻画可约不确定性是决策备选方案之一。信息价值（VoI）分析是一种数学决策框架，可量化新数据的预期潜在收益，并辅助信息收集的资源最优配置。然而，VoI分析计算代价极高，因其底层的贝叶斯推断尤其对于等式型信息而言。本文提出首个基于代理模型的VoI分析框架。与基于代理模型的可靠性方法中通常对描述决策关注事件的极限状态函数建模不同，所提框架对系统响应建模。该方法使得来自观测的等式型信息能在代理模型间共享，以更新多个关注事件的后验似然。此外，提出称为模型共享与训练点共享的两种知识共享方案，以最有效地利用昂贵模型评估所提供的知识。两种方案均与基于错误率的自适应训练方法结合，以高效生成准确的Kriging代理模型。所提VoI分析框架应用于涉及桁架桥荷载试验的最优决策问题。当基于重要性采样与自适应Kriging蒙特卡洛模拟的先进方法无法求解该问题时，所提方法以有限的模型评估次数给出了准确且鲁棒的VoI估计。因此，所提方法促进了VoI在复杂决策问题中的应用。
引用
@article{arxiv.2002.02354,
title = {Value of Information Analysis via Active Learning and Knowledge Sharing in Error-Controlled Adaptive Kriging},
author = {Chi Zhang and Zeyu Wang and Abdollah Shafieezadeh},
journal= {arXiv preprint arXiv:2002.02354},
year = {2020}
}