Sep, 2021

DEBOSH：深度贝叶斯形状优化

PDF
TL;DR本论文证明了使用基于 Ensembles 的技术来评估 Graph Neural Networks 生成的预测的不确定性可以帮助超越传统的基于 Kriging 得到响应面的技术，并在各种气动和结构分析任务中提供更高质量的优化结果和更短的优化时间。
shape optimizationgraph neural networksensembles-based techniquebayesian optimizationuncertainty
发现论文，激发创造
  • 基于贝叶斯网格优化的图神经网络用于增强工程性能预测

    提出用于 3D 深度学习辅助建模的贝叶斯图神经网络框架，通过直接从 CAD 中学习几何特征进行工程性能预测，通过贝叶斯优化确定网格元素的最佳大小，实现高准确性的辅助模型。

    Jun, 2024

  • 深度图贝叶斯优化的深度神经架构搜索

    本文提出一种基于 Bayesian 图神经网络作为新的代理函数的方法，能够自动提取深度神经架构中的特征，并使用学到的特征来拟合和表征黑箱目标及其不确定性，将其用于应对深度神经架构搜索的挑战性任务，实验结果表明该方法在基准任务上明显优于比较方法。

    May, 2019

  • 测地卷积形状优化

    该研究提出了一种使用 Geodesic Convolutional 神经网络，通过把原始形状用 poly 立方地图重新映射，使用 GPU 而不是 CPU 进行计算，实现快速准确地优化复杂形状

    Feb, 2018

  • 贝叶斯神经网络代理在贝叶斯优化中的研究

    研究使用贝叶斯神经网络作为替代标准高斯过程代理模型进行优化，并比较了多种不同的近似推理程序，发现在不同问题中，方法的排名高度依赖于问题本身。其中，在高维问题中，无限宽度的贝叶斯神经网络特别有前途。

    May, 2023

  • 属性图上的深度贝叶斯优化

    本文提出了一种基于深度图神经网络的可扩展深度图贝叶斯优化方法，用于优化具有上下文特征的 attributed graphs 的 graph structure，解决了传统模型自由方法计算时间长的问题，并在分子发现和城市道路网络设计等人工和真实问题上得到了有效的验证。

    May, 2019

  • 图形贝叶斯优化：算法、评估和应用

    本文提出了一种灵活的图贝叶斯优化框架，结合了图内核，通过识别优化过程中哪些特征更重要来完全利用隐含的图结构特征并证明了其有效性和潜在应用。

    May, 2018

  • 可扩展贝叶斯优化算法：基于深度神经网络

    本文研究如何使用神经网络作为替代高斯过程的方法建立函数分布模型，以实现高效的贝叶斯优化方法并应用于大规模超参数优化，通过卷积网络和神经语言模型在基准目标识别任务和图像描述生成方面实现了优异的效果。

    Feb, 2015

  • 利用随机先验网络进行高维输出的可伸缩贝叶斯优化

    本文提出了一个深度学习框架，基于具有随机先验的 bootstrap 整合的神经体系结构，用于贝叶斯优化和连续决策。该框架能够在高维输出的情况下逼近设计变量和感兴趣数量之间的函数关系，测试表明该方法在优化轮毂叶片的形状等高度复杂的任务中具有明显的优越性。

    Feb, 2023

  • 深度神经运算符可作为准确的形状优化替代方法：以翼型为例的案例研究

    本研究探索使用 DeepONets 方法推断未知气动翼型的流场并优化其形状，结果表明 DeepONets 非常适合生成未知形状的高准确度解决方案，可以在毫秒级时间内准确推断压强、密度和速度场等信息，为气动设计提供了极大的便利。

    Feb, 2023

  • 基于集成的贝叶斯神经网络和传统机器学习算法的混合优化

    通过将贝叶斯神经网络与传统机器学习算法（如随机森林、梯度提升、支持向量机）协同集成的一种新方法，强调了特征集成在优化中的重要性，包括优化的二阶条件，如哈西矩阵的定态性和正定性。与此相反，超参数调整对于改善预期改进（EI (x)）的影响有所削弱。总体而言，集成方法作为一种稳健的、算法优化的方法表现出色。

    Oct, 2023