×
伊利亚斯·比利奥尼斯;尼古拉斯·扎巴拉斯

多输出局部高斯过程回归：应用于不确定性量化。 （英语） Zbl 1277.60066号

J.计算。物理学。 231，第17号，5718-5746（2012）.
摘要：我们使用一种新型的树高斯过程模型开发了一个高效的贝叶斯不确定性量化框架。该树是使用观察到的关于底层过程的长度尺度的数据所传递的信息自适应地构建的。在树的每一片叶子上，我们利用贝叶斯实验设计技术来学习多输出高斯过程。构造的代理可以为感兴趣的统计数据提供分析点估计以及误差条。我们在数值上证明了该框架在识别随机微分方程解中的不连续性、局部特征和不重要维数方面的有效性。

引用于40文件

MSC公司：

60G15年 高斯过程
60时35分 随机方程的计算方法（随机分析方面）
60 H10型 随机常微分方程（随机分析方面）

关键词：

高斯过程;贝叶斯主义者;不确定性量化;随机偏微分方程;多输出;多元素;适应性

软件：

dynaTree（动态树）;特里利诺斯;GSL公司
PDF格式BibTeX公司 XML格式引用
\textit{I.Bilionis}和\textit{N.Zabaras}，J.Compute。物理学。231，第17号，5718--5746（2012；Zbl 1277.60066）
全文： 内政部

参考文献：

[1] 伊曼·R·L。；Conover，W.J.，计算机模型的小样本敏感性分析技术及其在风险评估中的应用，《统计学中的通信——理论和方法》，9，17，1749-1842（1980）·Zbl 0449.68059号
[2] M.B.Giles，多级蒙特卡罗路径模拟，牛津大学计算实验室技术代表，2006年。；M.B.Giles，多级蒙特卡罗路径模拟，牛津大学计算实验室技术代表，2006年·Zbl 1167.65316号
[3] M.B.Giles，使用Milstein方案改进多级蒙特卡罗收敛，载于：A.Keller，S.Heinrich，H.Niederreiter（编辑），蒙特卡罗和准蒙特卡罗方法2006，Springer，2008，第343-358页。；M.B.Giles，使用Milstein方案改进多级蒙特卡罗收敛，载于：A.Keller，S.Heinrich，H.Niederreiter（编辑），蒙特卡罗和准蒙特卡罗方法2006，Springer，2008，第343-358页·Zbl 1141.65321号
[4] Ghanem，R.G。；Spanos，P.D.，《随机有限元：谱方法》（2003），多佛：多佛出版物·Zbl 0953.74608号
[5] 秀，D。；Karniadakis，G.E.，随机微分方程的Wiener-Askey多项式混沌，科学计算杂志，24619-644（2002）·Zbl 1014.65004号
[6] 万，X。；Karniadakis，G.E.，随机微分方程的自适应多元广义多项式混沌方法，计算物理杂志，209617-642（2005）·Zbl 1078.65008号
[7] 万，X。；Karniadakis，G.E.，任意概率测度的多元广义多项式混沌，SIAM科学计算杂志，28，3，901-928（2006）·Zbl 1128.65009号
[8] 巴布什卡，I。；Nobile，F。；Tempone，R.，带随机输入数据的椭圆偏微分方程的随机配置方法，SIAM数值分析杂志，45，3，1005-1034（2007）·Zbl 1151.65008号
[9] S.A.Smolyak，某些函数类张量乘积的求积和插值公式，单位：Dokl。阿卡德。Nauk SSSR，第4卷，1963年，第123页。；S.A.Smolyak，某些函数类张量积的求积和插值公式，in：Dokl。阿卡德。Nauk SSSR，第4卷，1963年，第123页·Zbl 0202.39901号
[10] 修，D。；Hesthaven，J.S.，随机输入微分方程的高阶配置方法，SIAM科学计算杂志，27，3，1118-1139（2005）·Zbl 1091.65006号
[11] Xiu，D.，参数不确定性分析的有效搭配方法，计算物理通信，2，2，293-309（2007）·Zbl 1164.65302号
[12] Nobile，F。；丹蓬，R。；Webster，C.G.，随机输入数据偏微分方程的稀疏网格随机配置方法，SIAM数值分析杂志，46，5，2309-2345（2008）·Zbl 1176.65137号
[13] 马，X。；Zabaras，N.，用于求解随机微分方程的自适应分层稀疏网格配置算法，计算物理杂志，228，8，3084-3113（2009）·Zbl 1161.65006号
[14] Sacks，J。；Welch，W.J。；米切尔·T·J。；Wynn，H.P.，《计算机实验的设计与分析》，统计科学，4，4，409-435（1989）·Zbl 0955.62619号
[15] 桑特·T·J。；威廉姆斯，B.J。；Notz，W.I.，《计算机实验的设计与分析》（2003），Springer:Springer纽约·Zbl 1041.62068号
[16] 麦凯，D.J.C.，《主动数据选择的基于信息的目标函数》，神经计算，4，4，590-604（1992）
[17] Gramacy，R.B。；Lee，H.K.H.，贝叶斯树高斯过程模型及其在计算机建模中的应用，美国统计协会杂志，103，483，1119-1130（2008）·Zbl 1205.62218号
[18] Chipman，H.A。；E.I.乔治。；McCulloch，R.E.，贝叶斯CART模型搜索，美国统计协会杂志，93，443，935-948（1998）
[19] Chipman，H.A。；E.I.乔治。；McCulloch，R.E.，贝叶斯树模型，机器学习，48，1，299-320（2002）·Zbl 0998.68072号
[20] Taddy，医学硕士。；Gramacy，R.B。；Polson，N.G.，《学习和设计的动态树》，《美国统计协会杂志》，106，493，109-123（2011）·Zbl 1396.62158号
[21] D.J.C.麦凯，高斯过程，神经信息处理系统教程10。；D.J.C.麦凯，高斯过程，神经信息处理系统教程10·Zbl 0936.68081号
[22] 拉斯穆森，C.E。；Williams，C.，《机器学习的高斯过程》（2006），麻省理工学院出版社·Zbl 1177.68165号
[23] 北卡罗来纳州克雷西，《空间数据统计》，第4卷（1991年），威利出版社：威利纽约·兹伯利0468.62095
[24] P.Boyle，M.Frean，依赖高斯过程，摘自：神经信息处理系统，2005年，第18期，第217-224页。；P.Boyle，M.Frean，依赖高斯过程，收录于《神经信息处理系统》，第18期，2005年，第217-224页。
[25] Y.W.Teh，M.Seeger，M.I.Jordan，半参数潜在因素模型，收录于：R.G.Cowell，Z.Ghahramani（编辑），第十届人工智能与统计国际研讨会，人工智能与统计学学会，2005年，第333-340页。；Y.W.Teh，M.Seeger，M.I.Jordan，半参数潜在因素模型，收录于：R.G.Cowell，Z.Ghahramani（编辑），第十届人工智能与统计国际研讨会，人工智能与统计学学会，2005年，第333-340页。
[26] 米切利，C.A。；Pontil，M.，《多任务学习的内核》，（Saul，L.K.；Weiss，Y.；Bottou，L.（2005），《神经信息处理进展17：神经信息处理进展17》，麻省理工学院出版社，921-928
[27] 希格顿，D。；Gattiker，J。；威廉姆斯，B。；Rightley，M.，使用高维输出进行计算机模型校准，《美国统计协会杂志》，103，482，570-583（2008）·Zbl 1469.62414号
[28] 康蒂，S。；OHagan，A.，复杂多输出和动态计算机模型的贝叶斯仿真，《统计规划与推断杂志》，140，3，640-651（2010）·Zbl 1177.62033号
[29] 麦凯，D.J.C.，贝叶斯插值，神经计算，4，3，415-447（1992）
[30] 出版社，W.H。；Teukolsky，S.A。；韦特林，W.T。；Flannery，B.P.，《数字配方：科学计算的艺术》。《数字配方：科学计算的艺术》，第三版（2007），剑桥大学出版社·Zbl 1132.65001号
[31] Foo，J。；万，X。；Karniadakis，G.E.，《多元概率配置法（ME-PCM）：误差分析与应用》，《计算物理杂志》，227，22，9572-9595（2008）·Zbl 1153.65008号
[32] 阿布拉莫维茨，M。；Stegun，I.A.，《数学函数与公式图和数学表手册》，第55卷（1964年），多佛：多佛出版物·Zbl 0171.38503号
[33] Neal，R.M.，《神经网络的贝叶斯学习》（1996），Springer:Springer New York·Zbl 0888.62021号
[34] C.K.I.Williams，C.E.Rasmussen，回归的高斯过程，见：D.S.Touretzky，M.C.Mozer，M.E.Hasselmo（编辑），《神经信息处理系统进展》，第8卷，麻省理工学院出版社，1996年，第514-520页。；C.K.I.Williams，C.E.Rasmussen，回归的高斯过程，见：D.S.Touretzky，M.C.Mozer，M.E.Hasselmo（编辑），《神经信息处理系统进展》，第8卷，麻省理工出版社，1996年，第514-520页。
[35] Chaloner，K。；Verdinelli，I.，《贝叶斯实验设计：综述》，统计科学，10，3，273-304（1995）·Zbl 0955.62617号
[36] D.A.Cohn，使用优化实验设计进行神经网络探索，神经网络9（6）。；D.A.Cohn，使用优化实验设计的神经网络探索，神经网络9（6）。
[37] Seo，S。；瓦拉特，M。；Graepel，T。；Obermayer，K.，《高斯过程回归：主动数据选择和测试点拒绝》，（神经网络国际联合会议，第3卷（2000），IEEE出版社：IEEE出版社，加利福尼亚州洛斯阿拉米托斯），241-246
[38] Gramacy，R.B。；Lee，H.K.H.，超级计算机实验的自适应设计和分析，技术计量学，51，2，130-145（2009）
[39] M.A.Heroux，J.M.Willenbring，Trilinos用户指南，技术代表，桑迪亚国家实验室，2003年。；M.A.Heroux、J.M.Willenbring，《Trilinos用户指南》，技术代表，桑迪亚国家实验室，2003年。
[40] M.Galassi，J.Davies，J.Theiler，B.Gough，G.Jungman，P.Alken，M.Booth，F.Rossi，GNU科学图书馆参考手册，2009年。；M.Galassi，J.Davies，J.Theiler，B.Gough，G.Jungman，P.Alken，M.Booth，F.Rossi，GNU科学图书馆参考手册，2009年。
[41] Nobile，F。；丹蓬，R。；Webster，C.，带随机输入数据的椭圆偏微分方程的稀疏网格配置方法，SIAM数值分析杂志，452309-2345（2008）·兹比尔1176.65137
[42] Xiu，D.，《随机计算的数值方法：谱方法方法》（2010），普林斯顿大学出版社·Zbl 1210.65002号
[43] Nektar，模拟代码套件，www.cfm.brown.edu/people/tcew/Nektar.html；Nektar，模拟代码套件，www.cfm.brown.edu/people/tcew/Nektar.html
[44] R.M.Neal，用于贝叶斯回归和分类的高斯过程模型的蒙特卡罗实现，技术代表9702，多伦多大学统计系，多伦多，1997年。；R.M.Neal，贝叶斯回归和分类高斯过程模型的蒙特卡罗实现，技术代表9702，多伦多大学统计系，1997年。
[45] Gramacy，R.B。；Lee，H.K.H.，《计算机实验建模中的金块案例》，统计与计算，22，3，713-722（2012）·Zbl 1252.62098号
[46] Fletcher，R.，《实用优化方法》。实用优化方法，第二版（1987），威利·Zbl 0905.65002号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。