高斯过程建模中的似然函数高效优化
摘要：高斯过程（GP）模型是流行的统计代理模型，用于模拟计算昂贵的计算机模拟器。通过基于优化后的似然度的适合度度量可以评估GP模型的质量。对于GP模型，找到似然函数的全局最大值通常非常具有挑战性，因为似然曲面往往具有多个局部最优值，并且通常无法找到似然函数的梯度的显式表达式。以前用于优化似然函数的方法（例如MacDonald等人（2013））已被证明具有坚韧而准确，但相对低效。我们提出了几种似然度优化技术，包括两种修改的基于MacDonald等人（2013）实现的多起始局部搜索技术，这些技术同样可靠，但效率显著提高。全局搜索算法Dividing Rectangles（DIRECT）与局部优化算法BFGS的混合化提供了与计算成本的一小部分相当的GP模型质量，并且是计算资源有限时首选的优化技术。我们使用多个测试函数和油藏模拟应用程序来测试和比较所提出方法与在R库GPfit中由MacDonald等人（2013）实现的方法的性能。所提出的方法在Matlab软件包GPMfit中实现。
作者：Andrew Butler, Thomas D. Humphries, Pritam Ranjan, Ronald D. Haynes
论文ID：1309.6897
分类：Computation
分类简称：stat.CO
提交时间：2013-09-27