用 Emukit 仿真物理过程
本文第一次对用于深度学习中不确定性估计的工具包进行梳理,比较了 11 种工具包的模型和评估能力,最终推荐了 Pyro、Tensorflow Probability 和 Uncertainty Quantification 360 三种最有前景的工具包,提出了在保障模型可信度和可复现性方面进一步统一评估和保障方法论的必要性。
May, 2022
EC-KitY 是一个用于进行 Python 进化计算的综合计算机库,支持流行的进化计算范例,包括遗传算法,遗传编程,共演进,进化多目标优化等,并可与 scikit-learn 兼容,本文简要概述了该包的主要特点与架构,并将其与其他库进行了比较。
Jul, 2022
开发了一种评估机器学习和机械模拟模型预测不确定性的协议,该协议将提供一个不确定性量化工作流程,用于确定感兴趣的计算数量的可信界限,并评估模型的充分性。测试了该协议在燃气分销行业相关案例中的应用,并提出了推广不确定性量化的路径。
Aug, 2023
本文主要介绍了一种名为 Uncertainty Toolbox 的开源 Python 工具库,该库旨在协助评估、可视化和改进在机器学习中的不确定性计量(UQ)。 Uncertainty Toolbox 不仅提供教学资源,例如重点词汇表和重要论文引用的组织集合,也有助于加速和整合应用在机器学习中的不确定性计量研究。
Sep, 2021
本研究提出了一个基于机器学习的数据生成框架,旨在辅助那些利用模拟来研究各种物理系统或过程的研究人员。我们的方法包括两个步骤:首先,我们使用有限的模拟数据训练监督预测模型来预测模拟结果;然后,我们使用强化学习代理来生成准确的、类似于模拟的数据,从而更有效地探索参数空间并深入了解物理系统或过程。我们通过两个案例研究:一个关注地震破裂物理,另一个关注新材料开发,证明了所提出框架的有效性。
May, 2023
本文介绍了如何使用贝叶斯建模和预测不确定性来减少误判和检测出领域外的医疗样本,通过一个贝叶斯神经网络应用于 MIMIC-III 数据集,展示了它在 ICU 患者的死亡风险预测中防止潜在误差和可靠地确定领域外患者的作用,证明了贝叶斯预测不确定性在高风险环境下机器学习模型可靠性的重要性。
Jun, 2019
本研究提出了一个基于 Theory of Mind 的通用框架,允许智能体使用多个模拟来推导和行动,以通过模拟决策过程解决在 IJCAI2013 AIBirds 竞赛中的流行游戏。
May, 2014
本研究比较了多种机器学习技术的 UQ 准确性,并对两个模型(船只在波浪中的运动和 Majda-McLaughlin-Tabak 模型)进行了应用。
Jun, 2023
本篇研究论文重点介绍了机器学习模型中的不确定性量化方法,特别关注神经网络以及在工程设计和医疗领域的应用。通过介绍多种不确定性量化方法和计量标准,本篇论文旨在帮助提高机器学习模型的安全性和可靠性,同时提供两个具体案例:锂离子电池寿命预测和涡轮发动机剩余使用寿命预测。
May, 2023
这篇论文介绍了一种用于训练、自我优化和自我组织的代理模型方法论框架,用于逼近和加速多物理模拟,通过与两种优化算法和一种综合评估策略的结合训练和优化管道的性能评估,实验证明了代理模型能够准确逼近基础模拟,并使用可解释的 AI 技术分析代理模型并进行预选择策略以确定真实示例中最相关的特征。
Sep, 2023