ترجمه فارسی مقاله انتخاب عملکرد پایه تطبیقی ​​برای پیش بینی های محاسباتی کارآمد

چکیده

Basis Function (BF) expansions are a cornerstone of any engineer’s toolbox for computational function approximation which shares connections with both neural networks and Gaussian processes. Even though BF expansions are an intuitive and straightforward model to use, they suffer from quadratic computational complexity in the number of BFs if the predictive variance is to be computed. We develop a method to automatically select the most important BFs for prediction in a sub-domain of the model domain. This significantly reduces the computational complexity of computing predictions while maintaining predictive accuracy. The proposed method is demonstrated using two numerical examples, where reductions up to 50-75% are possible without significantly reducing the predictive accuracy.

چکیده به فارسی (ترجمه ماشینی)

گسترش عملکرد پایه (BF) سنگ بنای جعبه ابزار مهندس برای تقریب عملکرد محاسباتی است که اتصالات خود را با شبکه های عصبی و فرآیندهای گاوسی به اشتراک می گذارد.حتی اگر گسترش BF یک مدل بصری و ساده برای استفاده باشد ، در صورت محاسبه واریانس پیش بینی ، از پیچیدگی محاسباتی درجه دوم در تعداد BFS رنج می برند.ما روشی را برای انتخاب خودکار مهمترین BFS برای پیش بینی در زیر دامنه دامنه مدل ایجاد می کنیم.این به طور قابل توجهی پیچیدگی محاسباتی پیش بینی های محاسباتی را کاهش می دهد و ضمن حفظ دقت پیش بینی.روش پیشنهادی با استفاده از دو مثال عددی نشان داده شده است ، که در آن کاهش تا 50-75 ٪ بدون کاهش قابل توجه دقت پیش بینی امکان پذیر است.