.png){kind=icon}
返回
Efficient Active Learning Strategies for Computer Experiments
.png){kind=icon}
PRE
AI
DOI：10.1080/00401706.2025.2546366.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
主动学习旨在基于已观察到的数据以智能方式分配资源，以满足某些目标，如代理建模或优化计算成本高昂的函数。当使用高斯过程模型作为代理时，空间填充设计通常被用来初始化主动学习。本文提出将筛选设计作为初始设计，并提出了一种新的相关函数用于高斯过程。具体而言，我们提出使用最大单因子一次（MOFAT）设计作为初始设计，并采用乘积逆多二次（MIM）核作为相关函数。这些背后的思想在其他领域（如敏感性分析或核理论）中已知，但似乎从未被用于计算机实验中的主动学习。我们还提出了一种集成的MOFAT-MIM策略，该策略自动将筛选纳入模型估计步骤。我们表明，这些策略在模拟和优化目标方面均能显著改进现有最先进的方法。我们通过理论和模拟支持我们的发现，并在气相渗透过程中进行了一项真实实验。
Keyword:
Bayesian optimization
Gaussian process
MOFAT design
Multiplicative inverse multiquadric kernel
Screening design
Sequential design
Surrogate modeling
期刊
T
IF:
2.5
论文数:
65
被引数:
1.0W
.png){kind=icon}
查看更多内容