高斯混合熵算不准？这套求积法精度飙升，动作优化还省9倍计算量！
Gauss--Hermite Quadrature for Gaussian-Mixture Entropy with an Action-Space Hermite Surrogate
📖 AI 总结
该论文提出了一种基于Gauss-Hermite求积法的高斯混合微分熵数值近似方法。由于高斯混合模型在信号和状态不确定性建模中广泛使用，但其微分熵通常缺乏闭式解，该方法的提出填补了这一空白。研究在一维和二维基准测试中，将该方法与泰勒近似、解析熵界及数值积分参考进行了对比验证。此外，论文针对连续动作空间的重复优化问题，提出了一种基于Hermite多项式的动作空间代理模型。在雷达指向基准测试中，该代理模型的二阶形式相比基于局部导数的二阶泰勒代理，在相同计算成本（每次重规划仅需九次直接目标评估）下，显著降低了代理误差和优化器遗憾值，并提升了指向性能。
🔑 关键词速览
| Gauss-Hermite quadrature | 一种数值积分方法，利用埃尔米特多项式的根和权重来近似高斯权重函数的积分。 |
| Gaussian mixture | 多个高斯分布的加权和，用于建模多模态概率分布。 |
| differential entropy | 连续随机变量的熵，衡量其不确定性或信息量。 |
| Hermite polynomial surrogate | 基于埃尔米特多项式构造的代理模型，用于近似目标函数，特别是在动作空间中。 |
| optimizer regret | 优化过程中，实际累积损失与最优策略累积损失之间的差距，衡量优化性能。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅