Revisiting Penalized Likelihood Estimation for Deterministic Computer Experiments
重访确定性计算机实验的惩罚似然估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论的是高斯过程协方差参数估计与交叉验证调优，属于计算机实验与统计建模方法，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等方向，故不选择任何细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
重访确定性计算机实验的惩罚似然估计
- 研究问题
- 摘要关注高斯过程回归中未知协方差参数的估计问题：在小样本情形下最大似然估计易受数值问题困扰，加入 nugget 并非万能，惩罚似然方法的效果又依赖调优参数的选择，因此如何更可靠地选择调优参数是核心问题。
- 方法与思路
- 作者在 GP 的惩罚似然框架内提出一种新的交叉验证指标，称为 decorrelated prediction error（DPE），其灵感来自马氏距离，用于替代预测误差等传统指标来选取调优参数，并考察其在 K 折交叉验证下的表现。
- 材料陈述的贡献
- 摘要称 DPE 在调优参数选择上比传统指标更一致、更可靠，尤其在 K 折交叉验证中；在无需惩罚时其表现与标准 MLE 相当，在正则化有益时优于传统调优指标，特别是在 one-standard error 规则下。
- 阅读关注点
- 阅读全文时应核对 DPE 的具体定义与计算方式、其与马氏距离的联系、模拟或实证设计的细节、与 MLE 及传统指标比较的评价标准，以及结论在何种样本量和核函数设定下成立。
- 阅读边界
- 仅凭摘要无法判断 DPE 的理论性质、渐近保证、计算成本与适用范围，摘要也未说明具体数据、数值结果和证明；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Gaussian processes (GPs) are popular as nonlinear regression models for expensive computer simulations, yet GP performance relies heavily on estimation of unknown covariance parameters. Maximum likelihood estimation (MLE) is common, but it can be plagued by numerical issues in small data settings. The addition of a nugget may help but is not a cure-all. Penalized likelihood methods may improve upon traditional MLE, but their success depends on tuning parameter selection. We introduce a new cross-validation (CV) metric called ``decorrelated prediction error'' (DPE), within the penalized likelihood framework for GPs. Inspired by the Mahalanobis distance, DPE provides more consistent and reliable tuning parameter selection than traditional metrics like prediction error, particularly for $K$-fold CV. Our proposed metric performs comparably to standard MLE when penalization is unnecessary and outperforms traditional tuning parameter selection metrics in scenarios where regularization is beneficial, especially under the one-standard error rule.