Inducing Permutation Invariant Priors in Bayesian Optimization for Carbon Capture and Storage Applications
研究人员提出一种用于碳捕获与存储（CCS）项目井位优化的置换不变贝叶斯优化方法。该方法针对标准高斯过程核函数无法利用注入井和产出井组内置换对称性的问题，开发了新型高斯过程核（GP-Perm），通过比较诱导的经验表示之间的稳定发散度来编码置换不变性，并可与标准核结合处理向量输入；同时引入基于深度集架构的深度学习核学习模型（DKL-DS）作为学习到的不变基线。研究在八个用例中评估了该方法，包括七个合成基准和一个真实的 CCS 案例（Johansen 构造）。