ترجمه فارسی مقاله یادگیری فعال دسته‌ای در رگرسیون فرآیند گاوسی با استفاده از مشتقات

چکیده

We investigate the use of derivative information for Batch Active Learning in Gaussian Process regression models. The proposed approach employs the predictive covariance matrix for selection of data batches to exploit full correlation of samples. We theoretically analyse our proposed algorithm taking different optimality criteria into consideration and provide empirical comparisons highlighting the advantage of incorporating derivatives information. Our results show the effectiveness of our approach across diverse applications.

چکیده به فارسی (ترجمه ماشینی)

ما استفاده از اطلاعات مشتق را برای یادگیری فعال دسته ای در مدلهای رگرسیون فرآیند گاوسی بررسی می کنیم.رویکرد پیشنهادی از ماتریس پیش بینی کوواریانس برای انتخاب دسته های داده برای بهره برداری از همبستگی کامل نمونه ها استفاده می کند.ما از لحاظ تئوریکی الگوریتم پیشنهادی خود را با توجه به معیارهای مختلف بهینه در نظر گرفته و مقایسه های تجربی ارائه می دهیم که مزیت استفاده از اطلاعات مشتقات را برجسته می کند.نتایج ما اثربخشی رویکرد ما در برنامه های متنوع را نشان می دهد.