多输出高斯过程回归中负迁移的自适应正则化缓解方法及其在无人系统边界测试场景生成中的应用

针对多输出高斯过程回归(MOGPR)中的负迁移问题，本研究提出了一种自适应正则化方法(MOGPR-NTM)，通过约束输出特定特征参数的不一致性，实现“软共享”机制。实验表明该方法在数值案例中平均降低7.2%的RMSE，在无人系统(MUS)边界测试场景生成中能更精确识别性能模式边界区域，为复杂系统测试提供新思路。

　　

在人工智能和机器学习快速发展的今天，多输出学习(Multi-output Learning)已成为处理复杂系统多任务预测的重要方法。特别是在无人系统(Unmanned Systems, MUS)测试等领域，需要同时预测多个相关性能指标，传统单输出模型往往难以捕捉输出间的复杂关联。多输出高斯过程回归(Multi-output Gaussian Process Regression, MOGPR)基于线性模型核心化(Linear Model of Coregionalization, LMC)框架，能够有效建模多个输出间的相关性，但面临着一个棘手问题——负迁移(Negative Transfer)。

负迁移现象是指当多个输出任务的数据分布不平衡、噪声水平差异大或内在相关性不符合模型假设时，模型优化过程会出现某些输出的预测性能反而比单独建模更差的情况。这就像团队合作中，能力强的成员反而被能力弱的成员拖累一样。在MOGPR中，由于所有输出共享潜在高斯过程，输出间的错误关联会导致参数估计出现偏差，最终影响整体预测精度。

为了解决这一难题，发表在《Results in Engineering》上的这项研究提出了一种创新的自适应正则化方法——MOGPR with Negative Transfer Mitigation (MOGPR-NTM)。研究人员通过理论分析和实验验证，揭示了负迁移的产生机制：在联合似然函数优化过程中，信号强度高、噪声低的输出会主导梯度更新方向，导致其他输出的参数估计出现偏差。为此，团队设计了一种自适应权重调整机制，对输出特定特征参数之间的不一致性施加l₂范数正则化约束，实现参数间的“软共享”而非“硬共享”。

研究采用了数值模拟和真实案例验证相结合的方法。在数值实验中，构建了三组具有不同噪声特性的多输出函数，分别添加高斯噪声和拉普拉斯噪声，对比了单输出GPR(SOGPR)、传统MOGPR以及提出的MOGPR-NTM的性能。在无人系统测试案例中，以区域搜索任务为背景，构建了包含障碍物参数化的测试空间，通过仿真收集任务指标作为输出数据。

关键技术方法包括：基于LMC框架的MOGPR模型构建、自适应正则化权重调整算法、均移聚类(M