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.
To Another Language
from source content
arxiv.org
Thông tin chi tiết chính được chắt lọc từ
by Leonardo Fer... lúc arxiv.org 04-05-2024
https://arxiv.org/pdf/2404.03099.pdfYêu cầu sâu hơn