首页
/ 在BoTorch中使用已训练GP的均值和协方差函数构建新GP模型

在BoTorch中使用已训练GP的均值和协方差函数构建新GP模型

2025-06-25 19:51:39作者:段琳惟

背景介绍

在贝叶斯优化和机器学习领域,高斯过程(Gaussian Process, GP)是一种强大的非参数模型。BoTorch作为基于PyTorch的贝叶斯优化库,提供了灵活的高斯过程建模能力。本文将探讨一个在BoTorch中使用已训练GP模型的均值和协方差函数来构建新GP模型的技术实现。

问题场景

假设我们有以下三个高斯过程模型:

  1. gp1:基于小数据集训练
  2. gp2:基于大数据集训练,与gp1来自相同领域
  3. gp3:目标是使用gp2训练好的均值函数和协方差函数,同时基于gp1的小数据集进行训练(一种迁移学习的方法)

技术实现

基础模型构建

首先,我们需要定义基础的GP训练函数:

def train_gp(train_X, train_Y, mean_module=None, covar_module=None, bounds=None):
    if bounds.ndim == 1:
        bounds = bounds.reshape(-1, 1)
    
    d = train_X.shape[1]
    input_transform = Normalize(d=d, bounds=bounds) if bounds is not None else Normalize(d=d)
    
    gp = SingleTaskGP(
        train_X=train_X,
        train_Y=train_Y,
        mean_module=mean_module,
        covar_module=covar_module,
        outcome_transform=Standardize(m=1),
        input_transform=input_transform,
    )
    mll = ExactMarginalLogLikelihood(gp.likelihood, gp)
    fit_gpytorch_mll(mll)
    
    return gp

自定义均值和协方差函数

为了实现模型间的知识迁移,我们需要自定义均值和协方差函数:

class ConditionalMean(Mean):
    def __init__(self, gp):
        super().__init__()
        self.gp = gp

    def forward(self, x):
        with no_grad():
            self.gp.eval()
            m = self.gp(x).mean.squeeze(-1)
        return m

class ConditionalScaledMaternKernel(Kernel):
    has_lengthscale = True
    
    def __init__(self, gp):
        super().__init__()
        self.gp = gp
        self.scaled_matern_kernel = ScaleKernel(MaternKernel())

    def forward(self, x1, x2, **params):
        with no_grad():
            self.gp.eval()
            sigma = self.gp(x1).covariance_matrix.diagonal(dim1=-2, dim2=-1).sqrt().unsqueeze(-1)
            sigma_ = self.gp(x2).covariance_matrix.diagonal(dim1=-2, dim2=-1).sqrt().unsqueeze(-1)
            B = sigma @ sigma_.T
        A = self.scaled_matern_kernel(x1, x2)
        K = A + B
        return K

关键实现细节

  1. 梯度控制:为了防止已训练模型gp2的参数被更新,需要显式关闭其参数的梯度:
for param_name, param in mll.named_parameters():
    if 'gp' in param_name:
        param.requires_grad = False
  1. 模型评估模式:在自定义函数中使用gp.eval()确保模型处于评估模式,避免不必要的计算图构建。

  2. 输入输出转换处理:直接使用gp(x)而非gp.posterior(x)可以避免输入输出转换的重复应用问题。

实际应用效果

通过上述方法构建的gp3模型能够:

  • 继承gp2在大数据集上学到的模式
  • 在小数据集上保持适当的灵活性
  • 合理反映不同区域的预测不确定性

注意事项

  1. 当不使用输入输出转换时,实现会更为简单,但可能牺牲一些数值稳定性。

  2. 两种均值计算方式(gp(x).meangp.posterior(x).mean)在有无转换的情况下表现不同,需要根据实际场景选择。

  3. 模型间的知识迁移效果需要通过多个不同数据集验证,以确保其泛化能力。

总结

在BoTorch中通过自定义均值和协方差函数实现GP模型间的知识迁移是一种有效的技术手段。这种方法特别适用于数据获取成本不同的场景,如部分高质量小样本数据和大量低质量数据并存的情况。通过合理控制模型参数更新和评估模式,可以实现灵活而强大的模型组合。

登录后查看全文
热门项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
144
1.93 K
kernelkernel
deepin linux kernel
C
22
6
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
930
553
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
423
392
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
66
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.11 K
0
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
64
511