.png){kind=icon}
返回
Function-on-Function Gaussian Process with Application in Robust Parameter Design
.png){kind=icon}
PRE
AI
DOI：10.1287/ijoc.2024.0751.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着数据传感技术的进步，功能数据在复杂系统中日益普及。函数-函数回归模型（其中输入和输出变量均为功能数据）已引起研究界的广泛关注。然而，现有模型均存在无法量化预测不确定性的局限性。为填补这一空白，我们提出了一种新颖的函数-函数高斯过程（FFGP）。它采用基于算子值核的可分离结构来表示功能输入与输出之间的协方差。与现有高斯过程模型相比，FFGP可直接在连续空间中对功能数据进行建模，并定义标量值算子协方差以量化输出不确定性。我们进一步将FFGP应用于稳健参数设计，提出了一种期望损失函数，用于衡量给定功能输入时的功能输出偏差和不确定性。随后，提出了一种高效且可扩展的功能梯度下降算法（FRGD），用于识别使损失函数最小化的最优功能输入。文中讨论了FFGP的一些理论性质及其通过FRGD进行的相应稳健参数优化的相关问题。
Keyword:
functional data
Gaussian process
operator-valued kernel
robust parameter design
functional gradient descent
