贝叶斯自适应校准与优化设计

对自然现象的计算机模型进行校准的过程对于物理科学的应用至关重要，在这些应用中，可以将大量领域知识嵌入到仿真中，然后与实际观察结果进行校准。然而，目前的机器学习方法主要依赖于在观察数据中可用的固定设计集上重新运行仿真，这可能忽略了设计空间中的信息相关性，并且需要大量的仿真。相反，我们从贝叶斯自适应实验设计的角度考虑校准过程，并提出了一种数据高效算法，在批量顺序过程中进行最大化信息的仿真。在每一轮中，该算法通过最大化期望信息增益的变分下界，联合估计后验分布的参数和最优设计。仿真器被建模为高斯过程中的一个样本，这使我们能够将仿真和观察数据与未知的校准参数相关联。我们展示了与相关方法相比，在合成和真实数据问题上我们方法的优势。