×
索尼娅·伊斯伯格;威廉·J·韦尔奇。

通过分区树进行适应性设计和分析，以模拟复杂的计算机代码。 （英语） Zbl 07633320号

J.计算。图表。斯达。 31，第4期，1280-1291（2022）.
摘要：在许多应用中，计算机模型被用作物理实验的替代品。然而，直接使用计算机模型实现最终科学目标往往受到模型复杂性和成本的限制。高斯过程回归由于其灵活的形式和预测不确定性度量的分析表达式，几乎是此类计算机模型快速统计仿真器的普遍选择。然而，由于计算时间随设计尺寸的立方增加而增加，即使是这种统计仿真器对于大型设计也可能难以计算。已经提出了多种方法来解决这个问题。我们讨论了其中的几个，并比较了它们在几种场景中的预测和计算性能。我们建议使用一种新的方法来解决这个问题，即通过划分树进行自适应设计和分析（ADAPT）。这种新方法的动机是，大多数计算机模型只在输入空间的特定区域复杂。通过对设计的开发采取数据自适应方法，并选择在可变性最高的区域中划分空间，我们在这些区域中获得了更高密度的点，从而获得了准确的预测。本文的补充文件可在线获取。

MSC公司：

62至XX 统计

关键词：

主动学习;计算机实验;高斯随机过程;大规模实验;递归分区;顺序设计;代理

软件：

laGP公司;三峡工程;Matlab语言;虚拟库;EGO公司;MaxPro公司;R（右）
PDF格式BibTeX公司 XML格式引用
\textit{S.Isberg}和\textit{W.J.Welch}，J.Comput。图表。《法律总汇》第31卷第4期第1280-1291页（2022年；兹bl 07633320）
全文： 内政部

参考文献：

[1] 巴·S。；Joseph，V.R.，MaxPro：最大投影设计，R包版本4.1-2（2018）
[2] 巴瑟曼，V。；诺瓦克，E。；Ritter，K.，“稀疏网格上的高维多项式插值，计算数学进展，12，273-288（2000）·Zbl 0944.41001号 ·doi:10.1023/A：1018977404843
[3] 巴亚里，M.J。；J.O.伯杰。；Calder，E.S。；Dalbey，K。；Lunagomez，S。；Patra，A.K。；皮特曼，E.B。；斯皮勒，E.T。；Wolpert，R.L.，“使用统计和计算机模型量化火山灾害，技术计量学，51，402-413（2009）·doi:10.1198/TECH.2009.08018
[4] Bernardo，M.C。；巴克·R。；刘，L。；拿撒勒，W.A。；萨克斯，J。；Welch，W.J.，“使用顺序策略的集成电路设计优化，IEEE集成电路和系统计算机辅助设计汇刊，11，361-372（1992）·数字对象标识代码：10.1109/43.124423
[5] 宾厄姆·D·。；Ranjan，P。；Welch，W.J。；Lawless，J.F.，《行动中的统计：加拿大展望》，计算机优化实验设计，函数等高线估计及相关目标，109-124（2014），佛罗里达州博卡拉顿：CRC出版社，佛罗里达州波卡拉顿
[6] 北卡罗来纳州布利兹纽克。；Ruppert，D。；鞋匠，C。；瑞吉斯，R。；Wild，S。；Mugunthan，P.，“使用优化和径向基函数近似对计算昂贵模型进行贝叶斯校准和不确定性分析，计算与图形统计杂志，17，270-294（2008）·doi:10.1198/106186008X320681
[7] Busby，D.，“高斯过程仿真器的分层自适应实验设计，可靠性工程与系统安全，941183-1193（2009）
[8] Chen，H.，“计算机实验的设计和分析：评估和提高技术水平（2018）·doi:10.14288/1.0364238
[9] 柯林，C。；米切尔，T。；莫里斯，M。；Ylvisaker，D.，“确定性函数的贝叶斯预测，及其在计算机实验设计和分析中的应用”，《美国统计协会杂志》，86953-963（1991）·doi:10.1080/01621459.1991.10475138
[10] Fernández，F.L。；马蒂诺，L。；埃尔维拉，V。；德尔加多，D。；López-Stiago，J.，“通过主动学习进行贝叶斯推断的自适应求积方案”，IEEE Access，8208462-208483（2020）·doi:10.1109/ACCESS.2020.3038333
[11] Gillespie，C.，“SparseEm”（2015年）
[12] Gramacy，R.B.，“tgp:贝叶斯非平稳、半参数非线性回归和树高斯过程模型设计的R包，统计软件杂志，19，1-46（2007）·doi:10.18637/jss.v019.i09
[13] Gramacy，R.B.，“laGP:通过R中的局部近似高斯过程进行大尺度空间建模，统计软件杂志，72，1-46（2016）·doi:10.18637/jss.v072.i01
[14] Gramacy，R.B。；Apley，D.W.，“大型计算机实验的局部高斯过程近似，计算与图形统计杂志，24561-578（2015）·doi:10.1080/10618600.2014.914442
[15] 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，103，1119-1130（2008）·Zbl 1205.62218号 ·doi:10.1198/0162145000000689
[16] 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，51，130-145（2009）·doi:10.198/技术.2009.0015
[17] Jones，D.R。；Schonlau，M。；Welch，W.J.，“昂贵黑盒函数的高效全局优化”，《全局优化杂志》，第13期，第455-492页（1998年）·Zbl 0917.90270号 ·doi:10.1023/A:1008306431147
[18] 约瑟夫·V·R。；居尔，E。；Ba，S.，“计算机实验的最大投影设计，生物统计学，102371-380（2015）·Zbl 1452.62593号 ·doi:10.1093/biomet/asv002
[19] 神奈川，M。；Hennig，P。；瓦拉赫，H。；拉罗谢尔，H。；Beygelzimer，A。；d’Alché-Buc，F。；福克斯，E。；Garnett，R.，《神经信息处理系统的进展》，32，“自适应贝叶斯求积方法的收敛保证”，（2019年），加拿大温哥华：Curran Associates，Inc，加拿大温哥
[20] Karuri，S.W.，“计算机实验和贝叶斯分析的集成”，（2005年），滑铁卢大学统计与精算科学系：安大略省滑铁卢市滑铁卢州立大学统计和精算学系
[21] 考夫曼，C.G。；宾厄姆·D·。；哈比卜，S。；海特曼，K。；Frieman，J.A.，“使用紧密支持的相关函数的计算机实验的高效模拟器，及其在宇宙学中的应用”，《应用统计学年鉴》，52470-2492（2011）·Zbl 1234.62166号
[22] 刘，L。；李，D。；Wong，W.H。；盖恩，I。；乌克兰卢克斯堡。；本吉奥，S。；瓦拉赫，H。；弗格斯，R。；Vishwanathan，S。；Garnett，R.，《神经信息处理系统的进展》，30，“基于分区的贝叶斯多元密度估计方法的收敛速度”，（2017），加利福尼亚州长滩：Curran Associates，Inc，加利福尼亚州长滩
[23] Lu，L.等人。；姜浩。；Wong，W.H.，“基于贝叶斯序列划分的多元密度估计”，《美国统计协会杂志》，1081402-1410（2013）·Zbl 1283.62165号 ·doi:10.1080/01621459.2013.813389
[24] Matlab，R2017b版（2017），马萨诸塞州纳蒂克：The MathWorks Inc，马萨诸塞诸塞州纳蒂克
[25] Neal，R.M.，《神经网络的贝叶斯学习》（1996），纽约：Springer，纽约·Zbl 0888.62021号
[26] O'Hagan，A.，贝叶斯统计4，“一些贝叶斯数值分析”，345-363（1992），牛津：牛津大学出版社，牛津
[27] Plumlee，M.，“使用稀疏网格实验设计快速预测确定性函数，美国统计协会杂志，1091581-1591（2014）·Zbl 1368.65017号 ·doi:10.1080/01621459.2014.900250
[28] Plumlee，M.，“稀疏网格设计：MATLAB包，1.5.0.0版”（2014）
[29] 普卢姆利，M。；埃里克森，C.B。；安肯曼，B.E。；Lawrence，E.，“利用快速推断进行自适应计算机实验的复合网格设计，生物特征，108，749-755（2020）·Zbl 07459727号 ·doi:10.1093/biomet/asaa084
[30] 核心团队，R.，R：统计计算的语言和环境（2018），R统计计算基金会：R统计计算基础，奥地利维也纳
[31] 萨克斯，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，409-423（1989）·Zbl 0955.62619号 ·doi:10.1214/ss/1177012413
[32] Smolyak，S.A.，“某些函数类张量积的求积和插值公式，苏联数学”，Doklady，4，240-243（1963）·Zbl 0202.39901号
[33] 斯坦因，M.L。；Chi，Z。；Welty，L.J.，“大型空间数据集的近似可能性”，《皇家统计学会杂志》，B辑，66，275-296（2004）·Zbl 1062.62094号 ·doi:10.1046/j.1369-7412.003.05512.x
[34] Stuart，A.M。；Teckentrup，A.L.，“贝叶斯后验分布高斯过程近似的后验一致性，计算数学，87，721-753（2018）·Zbl 1429.60040号 ·doi:10.1090/com/3244
[35] 苏尔亚诺维奇，S。；Bingham，D.，“仿真实验虚拟库：测试功能和数据集”（2013）
[36] Surjanovic，S.和Welch，W.J.（2019），“复杂计算机代码仿真的自适应分区设计和分析”，arXiv:1907.01181。
[37] Svendsen，D.H。；马蒂诺，L。；Camps-Valls，G.，“高斯过程计算机代码的主动仿真——在遥感、模式识别中的应用，100，107103（2020）·doi:10.1016/j.patcog.2019.107103
[38] Vecchia，A.V.，“连续空间过程的估计和模型识别”，《皇家统计学会杂志》，B辑，50297-312（1988）·doi:10.1111/j.2517-6161.1988.tb01729.x
[39] Wang，H。；Li，J.，“具有昂贵似然函数的贝叶斯推断的自适应高斯过程近似，神经计算，303072-3094（2018）·Zbl 1471.62290号 ·doi:10.1162/necoa_01127
[40] Welch，W.J.和Yang，Y.（2021），GaSP：训练和应用高斯随机过程模型，R包版本1.0.0。
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。