.png){kind=icon}
返回
Enhanced Hyperparameter Estimation for Gaussian Process Models in Experimental Design Applications
.png){kind=icon}
PRE
AI
DOI：10.1021/acs.iecr.5c02595.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于贝叶斯优化（Bayesian Optimization）的自适应实验设计能够有效识别最能阐明实验目标的条件。这些算法的一个关键组成部分是高斯过程（Gaussian Process, GP）建模，该建模依赖于超参数估计，通常通过最大化对数似然来完成。然而，由于超参数具有多模态和不可识别的特性，这一步骤高度敏感，不准确的估计会降低GP性能，最终损害实验设计效率。在本工作中，我们证明了这种敏感性，并提出了三种技术以改进超参数估计。我们的结果表明，这些方法提高了GP建模的准确性，从而产生更有效的实验设计。所有分析均在两个测试系统上进行：一个模拟的逆水煤气变换反应模型和合成的Hartmann函数。
期刊
I
IF:
3.9
论文数:
4.0W
被引数:
9.6W
机构
引用论文
暂无论文信息