Composite grid designs for adaptive computer experiments with fast inference
用于快速推断的自适应计算机实验复合网格设计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。
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：摘要研究计算机实验设计与高斯过程计算，未明确涉及所列因果、面板、宏观或金融细分，分类证据不足。
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…
用于快速推断的自适应计算机实验复合网格设计
- 研究问题
- 如何为确定性计算机程序安排实验点，在较大样本规模下兼顾模拟器的逼近精度与高斯过程推断的计算效率？
- 方法与思路
- 作者提出复合网格实验设计及其序贯构建方法，并开发利用该设计进行快速、精确高斯过程推断的计算方法。
- 材料陈述的贡献
- 摘要称，该方法支持大样本下的精确推断，并在相近计算成本下，使示例中的模拟器精度较现有近似方法提高若干数量级。
- 阅读关注点
- 阅读全文时应核对复合网格的构造、序贯选点准则、精确计算所需的协方差结构，以及精度比较的指标和基准方法。
- 阅读边界
- 仅据所给 Crossref 摘要；计算复杂度、适用的核函数及比较场景未说明，不能将所述精度提升推广到所有计算机实验，也不能推断其他版本变化。
原文摘要
Summary Experiments are often used to produce emulators of deterministic computer code. This article introduces composite grid experimental designs and a sequential method for building the designs for accurate emulation. Computational methods are developed that enable fast and exact Gaussian process inference even with large sample sizes. We demonstrate that the proposed approach can produce emulators that are orders of magnitude more accurate than current approximations at a comparable computational cost.