論文の概要: Active Learning of Piecewise Gaussian Process Surrogates

• arxiv url: http://arxiv.org/abs/2301.08789v2
• Date: Tue, 23 Jul 2024 21:06:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-25 20:09:44.794116
• Title: Active Learning of Piecewise Gaussian Process Surrogates
• Title（参考訳）: ピアスワイズガウス過程サロゲートのアクティブラーニング
• Authors: Chiwoo Park, Robert Waelder, Bonggwon Kang, Benji Maruyama, Soondo Hong, Robert Gramacy,
• Abstract要約: 本研究では,Jump GPサロゲートを能動的に学習する手法を開発した。 ジャンプGPは、設計空間の領域において連続であるが、不連続である。 本研究では,Jump GPモデルのバイアスとばらつきを推定する手法を開発した。
• 参考スコア（独自算出の注目度）: 2.5399204134718096
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Active learning of Gaussian process (GP) surrogates has been useful for optimizing experimental designs for physical/computer simulation experiments, and for steering data acquisition schemes in machine learning. In this paper, we develop a method for active learning of piecewise, Jump GP surrogates. Jump GPs are continuous within, but discontinuous across, regions of a design space, as required for applications spanning autonomous materials design, configuration of smart factory systems, and many others. Although our active learning heuristics are appropriated from strategies originally designed for ordinary GPs, we demonstrate that additionally accounting for model bias, as opposed to the usual model uncertainty, is essential in the Jump GP context. Toward that end, we develop an estimator for bias and variance of Jump GP models. Illustrations, and evidence of the advantage of our proposed methods, are provided on a suite of synthetic benchmarks, and real-simulation experiments of varying complexity.
• Abstract（参考訳）: ガウス過程(GP)サロゲートのアクティブラーニングは、物理・コンピュータシミュレーション実験のための実験設計の最適化や、機械学習におけるデータ取得スキームのステアリングに有用である。 本稿では,Jump GPサロゲートを能動的に学習する手法を開発した。 ジャンプGPは、自律的な材料設計、スマートファクトリシステムの構成、その他多くの分野にまたがるアプリケーションに必要な、設計空間の領域内で連続しているが、不連続である。 我々のアクティブラーニングヒューリスティックは、もともと通常のGP向けに設計された戦略から適切なものであるが、通常のモデルの不確実性とは対照的に、モデルバイアスを付加的に考慮することは、Jump GPコンテキストにおいて不可欠であることを示す。 そこで我々は,Jump GPモデルのバイアスと分散を推定する手法を開発した。 提案手法の利点を示すイラストやエビデンスを, 様々な複雑さに関する実シミュレーション実験と合成ベンチマークのスイートで提供する。

関連論文リスト

• Hierarchical-Hyperplane Kernels for Actively Learning Gaussian Process Models of Nonstationary Systems [5.1672267755831705]
  グラデーションベースの手法で学習可能なパーティショニングを組み込んだカーネルファミリーを提案する。 各種能動的学習課題における優れた性能を実証的に示す。
  論文  参考訳（メタデータ） (2023-03-17T14:50:51Z)
• Weighted Ensembles for Active Learning with Adaptivity [60.84896785303314]
  本稿では,ラベル付きデータに漸進的に適応した重み付きGPモデルのアンサンブルについて述べる。 この新しいEGPモデルに基づいて、不確実性および不一致ルールに基づいて、一連の取得関数が出現する。 適応的に重み付けされたEGPベースの取得関数のアンサンブルも、さらなる性能向上のために導入されている。
  論文  参考訳（メタデータ） (2022-06-10T11:48:49Z)
• Toward Learning Robust and Invariant Representations with Alignment Regularization and Data Augmentation [76.85274970052762]
  本論文はアライメント正則化の選択肢の増大を動機としている。 我々は、ロバスト性および不変性の次元に沿って、いくつかの人気のある設計選択のパフォーマンスを評価する。 我々はまた、現実的と考える仮定の下で経験的な研究を補完するために、アライメント正則化の挙動を正式に分析する。
  論文  参考訳（メタデータ） (2022-06-04T04:29:19Z)
• Surrogate modeling for Bayesian optimization beyond a single Gaussian process [62.294228304646516]
  本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。 拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。 提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
  論文  参考訳（メタデータ） (2022-05-27T16:43:10Z)
• Incremental Ensemble Gaussian Processes [53.3291389385672]
  本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。 各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。 新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
  論文  参考訳（メタデータ） (2021-10-13T15:11:25Z)
• Partitioned Active Learning for Heterogeneous Systems [5.331649110169476]
  本稿では,pgp(partitioned gp)モデルに基づく分断アクティブラーニング戦略を提案する。 グローバル検索は、アクティブラーニングの探索の側面を加速する。 ローカル検索は、ローカルGPモデルによって誘導されるアクティブ学習基準を利用する。
  論文  参考訳（メタデータ） (2021-05-14T02:05:31Z)
• Active Learning for Deep Gaussian Process Surrogates [0.3222802562733786]
  深層ガウス過程(dgps)は機械学習(ml)の予測モデルとしてますます普及している そこで我々はDGPを,応答面が類似した特性を示す計算機シミュレーション実験のサロゲートとして検討する。 我々は,シミュレータコードの高価な評価とDGP推論の3乗コストの軽減を両立させ,設計を逐次構築する。
  論文  参考訳（メタデータ） (2020-12-15T00:09:37Z)
• Trajectory-wise Multiple Choice Learning for Dynamics Generalization in Reinforcement Learning [137.39196753245105]
  本稿では,動的一般化のためのマルチヘッドダイナミックスモデルを学習するモデルベース強化学習アルゴリズムを提案する。 文脈学習は,過去の経験から得られる動的情報からコンテキスト潜在ベクトルにエンコードする。 提案手法は,最先端のRL法と比較して,様々な制御タスクにおいて優れたゼロショット一般化性能を示す。
  論文  参考訳（メタデータ） (2020-10-26T03:20:42Z)
• Localized active learning of Gaussian process state space models [63.97366815968177]
  多くの共通制御アプリケーションにおいて、優れた性能を達成するためには、グローバルに正確なモデルを必要としない。 本稿では,状態-作用空間の有界部分集合上の正確なモデルを得ることを目的としたガウス過程状態空間モデルに対する能動的学習戦略を提案する。 モデル予測制御を用いることで、探索中に収集した情報を統合し、探索戦略を適応的に改善する。
  論文  参考訳（メタデータ） (2020-05-04T05:35:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。