구축 방법

방법

• LHS·다항식 회귀·Cholesky GP·tanh 신경망·5-fold 검증·EI를 구현했다.
• 1 Design of Experiments · 2 Fitting Surrogates · 3 Validation · 4 Active Learning & Bayesian Optimization
• 현재 표본으로 직접 학습 · 사전 학습 모델 없음 · LLM 호출 없음
• JavaScript ES2022 · KaTeX 0.16.9 (MIT) · Web Worker
• 본문 초안·코드 작성 보조: OpenAI Codex.

데이터

• 외부 데이터 없음 · 수식으로 생성한 트러스와 손으로 작성한 예시 · 데이터 재배포 조건 없음
• 데이터 가공 없음 · API 호출 없음 · 모든 계산은 브라우저에서 수행
• 사용자 입력은 서버에 저장하지 않는다. 공유 링크에는 입력값이 포함된다. 테마와 글씨 크기만 이 브라우저에 저장한다.

검증

• 17개 수치 검사와 16개 Worker 재현 검사를 통과했다. 상세 조건은 포함된 검증 기록에 적었다.
• GP 고정 하이퍼파라미터로 scikit-learn 1.8.0와 30점 대조: 예측 평균 최대 절대오차 3.22e-15, 표준편차 8.42e-15.

범위

• 표본 5–100 · 차수 1–6 · 검증점 100 · BO 총 예산 5–30

출처

• McKay, Beckman & Conover (1979). A Comparison of Three Methods for Selecting Values of Input Variables in the Analysis of Output from a Computer Code. Technometrics.
• Rasmussen & Williams (2006). Gaussian Processes for Machine Learning, Chapter 2. MIT Press.
• Rumelhart, Hinton & Williams (1986). Learning representations by back-propagating errors. Nature.
• Stone (1974). Cross-Validatory Choice and Assessment of Statistical Predictions. Journal of the Royal Statistical Society, Series B.
• Jones, Schonlau & Welch (1998). Efficient Global Optimization of Expensive Black-Box Functions. Journal of Global Optimization.
• KaTeX 0.16.9 · MIT

이력

• 2026-10-27 · v1.0 · 공개

이 페이지의 체험은 원리를 보이기 위해 단순화한 모델이다.