输入不确定性下的主动学习水平集估计方法及其扩展

摘要

测试产品在何种条件下满足期望特性是制造业的基础问题。若将条件与特性分别视为黑盒函数的输入与输出，该任务可被解释为水平集估计（LSE）问题——即识别函数值高于（或低于）阈值的输入区域。尽管目前已开发多种LSE方法，但实际应用中仍存在诸多待解决问题。本文重点关注输入条件无法精确控制的情形，即输入不确定性下的LSE问题。

方法框架

提出了处理LSE问题中输入不确定性的基础框架，并设计了具有理论保证的高效算法。所提方法与理论可广泛应用于输入不确定性相关的多种挑战，包括成本依赖型输入不确定性和未知输入不确定性。

实验验证

通过人工数据与真实数据实验，证明了所提方法的适用性与有效性。

技术特性

38页详细方法论阐述
包含12组可视化实验结果
涵盖统计机器学习（stat.ML）与计算机器学习（cs.LG）双领域
提供理论保证与扩展应用场景