表征模型不足:一种随机算子方法
该研究探讨了一种最坏情况的方法来衡量随机系统性能分析中的模型误差敏感性,通过 Kullback-Leibler(KL)散度度量模型误差,并通过优化计算程序来计算最坏情况性能指标,通过创新的微小近似方法,得出了这些程序的最优值渐近展开式,展开式系数可以通过模拟计算,并从最坏情况模型的表示中派生而来,这些表示作为函数不动点方程组的定义。
Mar, 2013
该研究探讨了在模型不完备的情况下,通过估计预测不确定性(如起源于先验模型不充分的模型不适配性等因素)的方法,选择性地使用模型,以此提高强化学习算法的学习效果。
Jul, 2020
本文综述了近期不同领域取得的进展,以解决基于概率模型进行的预测决策可能受到模型错误规定的影响。我们回顾了诊断技术,并提出了决策分析的形式化方法,特别是在模型错误规定的情况下。我们采用贝叶斯方法,以模型空间中模型扰动的稳定性量化模型错误规定下的最优决策,这已被应用于鲁棒控制、宏观经济学和金融数学领域。
Feb, 2014
本文在贝叶斯框架下,回顾和评估标准和最先进的统计模型,并在合成和真实数据集上进行测试,以用于校准 Lennard-Jones 参数的 Chapman-Enskog 模型中温度依赖粘度的校准。
Nov, 2016
本研究提出了通过 Bayesian updating 方法推测已知固定但先验未知的模型轨迹以处理离散化不确定性,并为此目的设计了一个一步采样方案。此方案具有一阶收敛性,计算复杂度与显式一步求解器的计算复杂度成正比,并可用于推断蛋白质动力学中 JAK-STAT 延迟微分方程模型的后验分布。
Jun, 2013
本文介绍了一种基于路径增强和数据驱动控制的方法,可以高效地确定低采样率下系统的确定性力量,以克服现有方法中对观测时间结构或不变密度几何逼近的局限性。
Apr, 2023
本文介绍一种使用区间 Markov 决策过程的抽象方式,在连续状态的模型中捕捉随机噪声和不确定参数的 aleatoric 和 epistemic 不确定性,进行控制器的综合。经实验验证,考虑 epistemic 不确定性可以提高控制器的鲁棒性。
Oct, 2022
该论文提出一种基于 ABC-MCMC 算法的贝叶斯推断方法,用于在具有随机性系统中求解高维随机微分方程。研究重点在于描述了状态空间模型的 SDE,并提供了 MATLAB 软件包来实现算法的仿真研究结果。
Apr, 2012
通过开发一种概率近似方案,使扩散模型能够在推理时间内有条件地采样非线性用户定义事件,从而匹配数据统计,即使从分布的尾部进行采样。
Jun, 2023