Статистические данные >Машинное обучение [представлено 19 мая 2026 года v1), последнее пересмотренное 9 сентября 2026 (эта версия, v2)) название: Goal-Oriented нижний тэйл калибровка Гауссианских процессов для Байесовского оптимизированного вида PDF HTML (экспериментальное) резюме: гаусский процесс (GP), как правило, используется в байезийской оптимизации (BO) для определения точек оценки дорогостоящих объективных функций. Выбор ядер и гиперпараметров оказывает сильное влияние на разведку - эксплуатацию - компромисс. Для сведения к минимуму таких критериев выборки, как ожидаемое улучшение (ЕИ), зависит от вероятной массы ниже текущей максимальной величины и формы прогнозируемого распределения в этом регионе. В этой статье изучается ориентированная на достижение целей калибровка прогнозов распределения GP ниже низкого порогового уровня в долларовом выражении при бесшумной настройке для стандартных моделей GP с гиперпараметрами, выбранными по максимальной вероятности. Мы рассматриваем две дополнительные формы калибровки ниже $t для вводимых ресурсов, распределяемых согласно контрольной мере в размере $mu долл.: калибровка данных по проектному пространству и пороговая калибрация $2 000 на подуровне набора форм $ {х\in\mathbb {X}, f(x)le t#} долларов. Мы предлагаем TcGP, пост-специальный метод, который сочетает эти две формы калибровки для прогнозирования распределения GP менее чем в долл. США. С фиксированными гиперпараметрами GP точный критерий отбора ИП, основанный на tcGP,…
Калибровка гауссианских процессов для оптимизации байесов
arXiv:2605.2014v2 Annualce Type: заменить резюме: в Байесовской оптимизации (BO) широко используются прогнозные распределения Гауссианского процесса (GP), которые определяют выбор точек оценки для выполнения дорогостоящих объективных функций. Выбор ядер и гиперпараметров оказывает сильное влияние на разведку - эксплуатацию - компромисс. Для сведения к минимуму таких критериев выборки, как ожидаемое улучшение (ЕИ), зависит от вероятной массы ниже текущей максимальной величины и формы прогнозируемого распределения в этом регионе. В этой статье изучается ориентированная на достижение целей калибровка прогнозов распределения GP ниже низкого порогового уровня в долларовом выражении при бесшумной настройке для стандартных моделей GP с гиперпараметрами, выбранными по максимальной вероятности. Мы рассматриваем две дополнительные формы калибровки ниже $t для вводимых ресурсов, распределяемых согласно контрольной мере в размере $mu долл.: калибровка данных по проектному пространству и пороговая калибрация $2 000 на подуровне набора форм $ {х\in\mathbb {X}, f(x)le t#} долларов.