In dieser Arbeit wird NEON (Neural Epistemic Operator Networks), eine Methode zur Quantifizierung epistemischer Unsicherheit in Operator-Lernmodellen, vorgestellt. Diese Architektur bietet Flexibilität für die Implementierung auf zuvor trainierten Modellen und ermöglicht die Quantifizierung epistemischer Unsicherheit unter Verwendung eines einzigen Modells, ohne die Notwendigkeit großer Ensembles.
Es werden verschiedene Möglichkeiten für Akquisitionsfunktionen für die composite BO unter Verwendung des Epistemic Neural Network (ENN)-Rahmens untersucht. Außerdem wird die Leaky Expected Improvement (L-EI)-Akquisitionsfunktion vorgeschlagen, eine Variante der Expected Improvement (EI), die eine einfachere Optimierung ermöglicht, während sie ähnliche lokale Extrema beibehält.
Durch die Untersuchung verschiedener Benchmarks wird gezeigt, dass NEON eine Spitzenleistung bei der hochdimensionalen composite BO erzielt, während es oft 1-2 Größenordnungen weniger Trainingsparameter umfasst.
In un'altra lingua
dal contenuto originale
arxiv.org
Approfondimenti chiave tratti da
by Leonardo Fer... alle arxiv.org 04-05-2024
https://arxiv.org/pdf/2404.03099.pdfDomande più approfondite