通过比较多种多保真度方法构建高斯过程代理进行回归，我们发现多保真度方法通常具有较小的预测误差，且对于相同计算成本而言，其效果因不同场景而异。

Apr, 2024

多重保真度代理模型结合了不同来源的准确性和成本不同的数据。它战略性地使用低保真度模型进行快速评估，节省计算资源，并使用高保真度模型进行详细优化，它通过解决不确定性和超越单一保真度模型的限制来改善决策。融合高保真度数据用于详细响应，并且频繁融合低保真度数据用于快速近似，有助于在各个领域进行设计优化。

Apr, 2024

基于多重真实度信息构建神经网络替代模型的残差多重真实度计算框架，通过两个神经网络的协同作用，利用残差函数建立了模型之间的相关性，并通过生成合成的高真实度数据来实现构建代表高真实度感兴趣量的替代模型以在小容差范围内获得准确预测的巨大计算成本节约。

Oct, 2023

应用多保真度替代建模方法，结合降维技术和神经网络代理，能有效地恢复高保真度数值模拟，捕捉系统的不稳定性和临界瞬变特征。

Sep, 2023

研究了一个多保真代理模型框架，将多项式相关函数扩展（PCFE）与高斯过程（GP）相结合，提供了一种称为 H-PCFE 的有效代理模型，并引入了具有不同保真度的级联模型体系，称为 Deep-HPCFE，其通过在不同模型之间引入空间相关性，有效地解决了由低保真度模型引起的预测误差问题。该多保真度框架的性能评估和数字双胞胎系统的实际应用证明了其有效性。

Jun, 2023

本文研究提出了新的梯度增强代理模型，通过采用部分最小二乘法，该方法得以减少超参数数目，控制相关矩阵大小，以及优化采样点，比现有的基于代理模型的解决方案更快速地获得所需精度。

Aug, 2017

本文研究了主动学习方法用于在有限计算预算下高效选择训练样本的能力，同时保留与多个代理极限状态相关联的准确性。研究结果表明，可以通过在统一的主动学习方案中依次针对指定的多个限制状态函数来实现有效的均衡的计算预算管理。

Feb, 2023

本研究提出一种基于多项式混沌扩展 Kriging 元模型的领域划分代理建模技术，可用于高度非线性工程模型的贝叶斯参数推断，通过采用局部自适应性的方式，本代理模型可以在最小的计算代价下重复非平滑响应，并使用马尔科夫链蒙特卡洛方法进行参数推断。

Dec, 2022

我们提出了一种方法来改善物理系统的可观测响应的代理模型的准确性，方法是将系统的空间异质参数场作为高维问题中不确定性量化和参数估计的函数。

Jul, 2023

在科学机器学习中，我们提出了一种新的多保真度训练方法，利用可用的不同保真度和成本的数据，通过多保真度数据定义线性回归模型的未知参数的新的多保真度蒙特卡罗估计器，并提供理论分析以保证该方法的准确性和对较小训练预算的改进鲁棒性。数值结果验证了理论分析，并表明与仅具有相似成本的高保真度数据训练的标准模型相比，我们用稀缺高保真度数据和额外低保真度数据训练的多保真度学习模型具有数量级更低的模型方差，说明在稀缺数据环境下，我们的多保真度训练策略能够产生具有较低期望误差的模型。

Mar, 2024