高斯过程建模的可加核函数
摘要：高斯过程（GP）模型通常被用作对计算复杂的实验进行数学建模的近似方法。只要选择适当的内核并且有足够的数据可以得到合理的模型拟合，GP模型可以用于预测、优化或基于蒙特卡罗的不确定性量化等任务。然而，当使用经典的GP模型时，如果输入维度增加，上述条件变得不现实。一种常见的替代方法是转向广义可加模型（GAMs），其基于一个假设，即模拟器的响应可以近似地分解为一组单变量函数的总和。虽然这种方法在近似中取得了成功，但它与GP框架及其多功能应用不完全兼容。本文的目标是通过将可加性集成到内核中，并提出一种简明的数据驱动参数估计数值方法，来揭示GP用于可加模型的使用。文章的第一部分讨论了与可加过程相关的内核及基于此类内核的GP模型的特性。第二部分介绍了一种基于松弛法的可加内核参数估计的数值过程。最后，通过在Sobol的g函数上进行实证和比较，验证了所提方法的效果。
作者：Nicolas Durrande (CROCUS-ENSMSE), David Ginsbourger, Olivier Roustant (CROCUS-ENSMSE, - M''ethodes d'Analyse Stochastique des Codes et Traitements Num''eriques)
论文ID：1103.4023
分类：Machine Learning
分类简称：stat.ML
提交时间：2011-03-22