Automated Testing of Spatially-Dependent Environmental Hypotheses through Active Transfer Learning

要約

屋外の情報収集用途では、時間、エネルギー、環境破壊の可能性などのサンプリング コストが高いため、サンプルの効率的な収集は重要な要素です。
利用可能な事前データの利用は、効率を向上させるための強力なツールとなり得ます。
ただし、このデータと対象数量との関係は事前には分からないことが多く、この知識を活用して計画効率を向上させる能力は限られています。
この目的を達成するために、この研究では、マルチタスク ガウス プロセスと情報ベースの目的関数を通じて転移学習とアクティブ ラーニングを組み合わせています。
この組み合わせにより、仮説的な量間の関係の空間を探索し、これらの仮説をリアルタイムで評価することができ、この新しい知識を将来の計画にすぐに活用できるようになります。
提案された方法のパフォーマンスは合成データに対して評価され、複数の仮説を正しく評価することが示されています。
その有効性は実際のデータセットでも実証されています。
この手法は、中程度または強い相関関係を示す仮説を特定して活用し、最初の 5 つのサンプル内で予測誤差を 1.5 ～ 6 分の 1 に減らすことができ、不十分な仮説はすぐに特定されて拒否され、その後の計画に悪影響を及ぼしません。
サンプルは3つくらい。

要約(オリジナル)

The efficient collection of samples is an important factor in outdoor information gathering applications on account of high sampling costs such as time, energy, and potential destruction to the environment. Utilization of available a-priori data can be a powerful tool for increasing efficiency. However, the relationships of this data with the quantity of interest are often not known ahead of time, limiting the ability to leverage this knowledge for improved planning efficiency. To this end, this work combines transfer learning and active learning through a Multi-Task Gaussian Process and an information-based objective function. Through this combination it can explore the space of hypothetical inter-quantity relationships and evaluate these hypotheses in real-time, allowing this new knowledge to be immediately exploited for future plans. The performance of the proposed method is evaluated against synthetic data and is shown to evaluate multiple hypotheses correctly. Its effectiveness is also demonstrated on real datasets. The technique is able to identify and leverage hypotheses which show a medium or strong correlation to reduce prediction error by a factor of 1.5–6 within the first 5 samples, and poor hypotheses are quickly identified and rejected, having no adverse effect on planning after around 3 samples.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google