×
张，范;陈瑞彬;洪，英;邓新伟

计算机实验中高斯过程模型的基于指标的贝叶斯变量选择。 （英语） Zbl 07711785号

计算。统计数据分析。 185，文章ID 107757，14 p.（2023）.
摘要：高斯过程（GP）模型是计算机实验分析中常用的模型。GP模型中的变量选择具有重要的科学意义，但现有的解决方案仍然不能令人满意。对于GP模型中的每个变量，都有两个潜在的影响，其含义不同：一个影响平均函数，另一个影响协方差函数。然而，现有的关于GP模型变量选择的研究大多只关注其中一种影响。为了解决这个问题，我们提出了一种基于指标的贝叶斯变量选择方法，以考虑均值和协方差函数的影响。如果两种影响都不显著，则将变量定义为非活动变量，并使用指示器表示变量是否处于活动状态。对于主动变量，该方法采用不同的先验假设来捕捉这两种影响。通过仿真和计算机实验中的实际应用，评估了该方法的性能。

MSC公司：

62-08 统计问题的计算方法

关键词：

贝叶斯变量选择;模拟器;克里金;中值概率准则

软件：

全球供应链
PDF格式BibTeX公司 XML格式引用
\textit{F.Zhang}等人，计算。统计数据分析。185，文章ID 107757，14 p.（2023；Zbl 07711785）
全文： 内政部

参考文献：

[1] Barbieri，M.M。；Berger，J.O.，《最优预测模型选择》，Ann.Stat.，32，3870-897（2004）·兹比尔1092.62033
[2] 卡塞拉，G。；Park，T.，Bayesian lasso，J.Am.Stat.Assoc.，103，482，681-686（2008）·Zbl 1330.62292号
[3] 陈，B。；卡斯特罗，R。；Krause，A.，《高维高斯过程的联合优化和变量选择》（2012年），预印本
[4] Chen，J.K。；陈，R.-B。；A.藤井。；苏达，R。；Wang，W.，《计算机实验中定性和定量参数的替代辅助调谐》，Stat.Sin。，28, 2, 761-789 (2018) ·Zbl 1390.62154号
[5] Chen，T。；Zwick，J。；三感作用，B。；Novak，G.，《3D发动机分析和mls气缸盖垫片设计》（SAE技术论文（2002），SAE国际）
[6] 库库特，I。；弗雷斯特，A。；戈里森，D。；德图尔克，F。；Dhane，T.，《盲克里金：实施和性能分析》，高级工程师软件。，49, 1-13 (2012)
[7] 邓，X。；林，C.D。；刘克伟。；Rowe，R.，《含定性和定量因素的计算机模型的加法高斯过程》，《技术计量学》，59，3，283-292（2017）
[8] 方，K.-T。；李，R。；Sudjianto，A.，《计算机实验的设计与建模（计算机科学与数据分析）》（2005），Chapman&Hall/CRC
[9] Flegal，J.M。；哈兰，M。；Jones，G.L.，马尔可夫链蒙特卡罗：我们能相信第三个重要数字吗？，统计科学。，23, 2, 250-260 (2008) ·Zbl 1327.62017年
[10] 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，103，483，1119-1130（2008）·Zbl 1205.62218号
[11] 顾，M。；Palomo，J。；Berger，J.O.，Robustgasp:r中的稳健高斯随机过程仿真（2018），预打印
[12] 哈斯蒂，T。；Tibshirani，R。；Friedman，J.，《统计学习的要素》，《统计学中的斯普林格系列》（2001），斯普林格纽约公司：斯普林格美国纽约州纽约市·Zbl 0973.62007号
[13] 黄，H。；Lin，D.K.J。；刘明清。；张强，计算机实验中克里金的变量选择，J.Qual。技术。，52，1，40-53（2020）
[14] Hung，Y.，《计算机实验中的惩罚盲克里格法》，Stat.Sin。，21, 3, 1171-1190 (2011) ·Zbl 1232.62163号
[15] Jones，G.L。；哈兰，M。；Caffo，B.S。；Neath，R.，《马尔可夫链蒙特卡罗的固定宽度输出分析》，美国统计协会，101，476，1537-1547（2006）·兹比尔1171.62316
[16] Joseph，V.R.，Limit Kriging，《技术计量学》，48，4，458-466（2006）
[17] 约瑟夫·V·R。；Hung，Y。；Sudjianto，A.，《盲克里金：开发元模型的新方法》，J.Mech。设计。，130，3，第031102条pp.（2008）
[18] 赖，W。；Chen，R.，线性回归模型的贝叶斯群选择方法综述，WIREs:计算。Stat.，13，4，第1513条pp.（2021）
[19] 利维，S。；Steinberg，D.M.，《计算机实验：综述》，AStA高级统计分析。，94, 4, 311-324 (2010) ·Zbl 1477.62213号
[20] 刘易斯，J.R。；MacEachern，S.N。；Lee，Y.，《贝叶斯限制似然方法：贝叶斯回归中的不充分统计条件》，贝叶斯分析。，16, 4, 1393-1462 (2021)
[21] Linkletter，C。；宾厄姆·D·。；Hengartner，N。；希格顿，D。；Ye，K.Q.，计算机实验中高斯过程模型的变量选择，技术计量学，48，4，478-490（2006）
[22] Nguyen，V.，加速超参数调谐的贝叶斯优化，（2019 IEEE第二届人工智能和知识工程国际会议（2019）），302-305
[23] 普卢姆利，M。；Joseph，V.R.，正交高斯过程模型，统计正弦。，28, 2, 601-619 (2018) ·Zbl 1390.62047号
[24] 钱，P.Z.G。；Wu，H。；Wu，C.J.，《定性和定量因素计算机实验的高斯过程模型》，技术计量学，50，3，383-396（2008）
[25] Rasmussen，C.E.，机器学习中的高斯过程，（机器学习暑期学校（2003），Springer），63-71·Zbl 1120.68436号
[26] Reich，B.J。；Storlie，C.B。；Bondell，H.D.，贝叶斯平滑样条方差模型中的变量选择：在确定性计算机代码中的应用，Technometrics，51，2110-120（2009）
[27] 萨克斯，J。；席勒，S.B。；Welch，W.J.，《计算机实验设计》，技术计量学，31，1，41-47（1989）
[28] 桑特纳，T.J。；威廉姆斯，B.J。；Notz，W.I.，《计算机实验的设计与分析》，《统计学中的斯普林格系列》（2003），斯普林格出版社·Zbl 1041.62068号
[29] 特雷维萨斯，S。；Malefaki，S。；Cournède，P.-H.，通过ecm算法的随机变量进行参数估计，应用于植物生长建模，计算。统计数据分析。，78, 82-99 (2014) ·Zbl 1506.62179号
[30] Welch，W.J。；巴克·R·J。；Sacks，J。；Wynn，H.P。；米切尔·T·J。；Morris，M.D.，《筛选、预测和计算机实验》，《技术计量学》，34，1，15-25（1992）
[31] 袁，M。；Lin，Y.，线性模型中的有效经验贝叶斯变量选择和估计，美国统计协会，100，472，1215-1225（2005）·Zbl 1117.62453号
[32] Zhao，Y。；阿梅米亚，Y。；Hung，Y.，使用基于实验设计的子标记的高效高斯过程建模，Stat.Sin。，28, 3, 1459-1479 (2018) ·Zbl 1394.62108号
[33] 周，Q。；钱，P.Z。；周，S.，《利用定性和定量因素模拟计算机模型的简单方法》，《技术计量学》，53，3，266-273（2011）
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。