Active Learning for Level Set Estimation Under Input Uncertainty and Its Extensions
Active Learning for Level Set Estimation Under Input Uncertainty and Its Extensions
复制标题
输入不确定性下水平集估计的主动学习及其扩展
DOI：
10.1162/neco_a_01332
复制
发表时间：
2020
影响因子：
2.9
通讯作者：
Ichiro Takeuchi
中科院分区：
文献类型：
--
作者：
Yu Inatsu;Masayuki Karasuyama;Keiichi Inoue;Ichiro Takeuchi
测试产品在什么条件下满足所需的性能是制造业的一个基本问题。如果条件和属性分别被视为黑盒函数的输入和输出，则该任务可以被解释为称为水平集估计（LSE）的问题：识别输入区域以使函数值高于（或低于）阈值的问题。虽然已经开发了各种方法来解决LSE问题，但在实际应用中仍有许多问题有待解决。作为这些问题之一，我们考虑的情况下，输入条件不能精确控制的LSE问题输入不确定性。我们介绍了一个基本框架，处理输入的不确定性LSE问题，然后提出了有效的方法与适当的理论保证。所提出的方法和理论可以普遍应用于各种挑战与LSE下的输入不确定性，如成本相关的输入不确定性和未知的输入不确定性。我们将所提出的方法应用于人工和真实的数据，以证明其适用性和有效性。
Testing under what conditions a product satisfies the desired properties is a fundamental problem in manufacturing industry. If the condition and the property are respectively regarded as the input and the output of a black-box function, this task can be interpreted as the problem called level set estimation (LSE): the problem of identifying input regions such that the function value is above (or below) a threshold. Although various methods for LSE problems have been developed, many issues remain to be solved for their practical use. As one of such issues, we consider the case where the input conditions cannot be controlled precisely—LSE problems under input uncertainty. We introduce a basic framework for handling input uncertainty in LSE problems and then propose efficient methods with proper theoretical guarantees. The proposed methods and theories can be generally applied to a variety of challenges related to LSE under input uncertainty such as cost-dependent input uncertainties and unknown input uncertainties. We apply the proposed methods to artificial and real data to demonstrate their applicability and effectiveness.
登录
查看更多内容
多尺度高斯过程水平集估计
DOI：
--
发表时间：
2019
期刊：
Proceedings of Machine Learning Research
影响因子：
--
作者：
Shekhar, Subhanshu;Javidi, Tara
通讯作者：
Javidi, Tara
DOI：
--
发表时间：
2018-06
期刊：
--
影响因子：
--
作者：
Yanan Sui;Vincent Zhuang;J. Burdick;Yisong Yue
通讯作者：
Yanan Sui;Vincent Zhuang;J. Burdick;Yisong Yue
DOI：
--
发表时间：
2018-11
期刊：
ArXiv
影响因子：
--
作者：
Jialin Song;Yuxin Chen;Yisong Yue
通讯作者：
Jialin Song;Yuxin Chen;Yisong Yue
影响因子：
2.9
作者：
Yu Inatsu;Daisuke Sugita;K. Toyoura;I. Takeuchi
通讯作者：
Yu Inatsu;Daisuke Sugita;K. Toyoura;I. Takeuchi
影响因子：
4.6
作者：
Karasuyama M;Inoue K;Nakamura R;Kandori H;Takeuchi I
通讯作者：
Takeuchi I