AAAIDec, 2022

应用生成结构化归一化流高斯过程分析光谱数据

PDF
TL;DR提出了一种基于结构化条件归一化流和高斯过程回归的新型生成模型，可用于对输入与结构化高维输出进行映射，在物理科学等高维结构复杂领域中，能够准确测量预测的不确定性。该模型使得通过化学组成得出实际光谱的条件成为可能，并可以用于对新观察到的光谱进行化学组成的不确定性量化。
generative modelnormalizing flowsgaussian process regressionuncertainty quantificationlaser-induced breakdown spectroscopy
发现论文，激发创造
  • 一种用于工程回归问题的基于物理知识的高斯过程谱

    通过结合机器学习技术和基于物理推理的方法，本文引入一系列可能的高斯过程模型，以提高基于有限数据的预测模型建立能力。这些方法可以显著减少对数据收集的依赖，并增强模型的可解释性。

    Sep, 2023

  • 基于条件化的时空标准化流的概率天气预报

    本文介绍了用于随机时空建模的条件归一化流方法，并通过从 ERA5 数据集中进行的日温度和小时位势地图预测任务的实验证明了该方法在捕捉时空相关性和超出训练时间范围的外推能力方面的有效性。

    Nov, 2023

  • 条件伪可逆正态流量在量化不确定传播中的代理建模

    通过引入条件伪可逆归一化流，我们提出了一种构建受加性噪声污染的物理模型的替代模型的方法，以便有效量化前向和反向的不确定传播。我们的模型可以直接学习并高效地从条件概率密度函数中生成样本，并且可以针对任何高概率区域被训练集所覆盖的条件概率密度函数生成样本。此外，伪可逆性特性使得我们可以使用全连接神经网络结构，简化了实现并实现了理论分析。我们的方法经过了严格的收敛性分析，证明了其能够使用 KL 散度收敛于目标条件概率密度函数。为了证明我们方法的有效性，我们将其应用于几个基准测试和一个真实的地质碳储存问题。

    Mar, 2024

  • PSRFlow: 用基于流的模型进行科学数据的概率超分辨率

    提出了 PSRFlow，一种基于归一化流的科学数据超分辨率生成模型，它将不确定性量化结合到超分辨率过程中，并通过从高分辨率数据中捕捉缺失信息的高斯潜在空间进行采样生成了不同的超分辨率输出，达到了对超分辨率结果进行鲁棒的不确定性量化。

    Aug, 2023

  • 基于满射正则化流的不确定性量化和外样本检测

    通过使用满射规范化流方法，在深度神经网络模型中计算单次前向传播，可可靠地识别来自分布之外的数据集。该方法基于深度不确定性量化和正则化流中的最新进展，应用于合成数据集并与其他模型进行比较，表明满射流模型是可靠区分分布内外数据的关键组成部分。

    Nov, 2023

  • 基于贝叶斯方法的不确定输入高斯过程回归

    该研究提出了一种使用贝叶斯方法将观测数据的不确定性与高斯过程回归相结合的方法，因此在科学应用中可以更好地估计不确定性，并获得更稳健的预测结果。

    May, 2023

  • 参数高斯过程回归器

    提出了两种可扩展的高斯过程回归方法，通过应用变分推断和直接处理后验预测分布来改善模型预测不确定性。

    Oct, 2019

  • 可扩展的高斯过程用于表征多维变化表面

    提出一种可扩展的高斯过程模型，用于确定和表征平滑多维变化点，并自动学习表达协方差结构中的变化。通过 Random Kitchen Sink 特征来灵活地定义变化表面，结合表现力强的谱混合核来捕获复杂的统计结构，最后通过新颖的加性非可分离核方法，可以将模型扩展到大型数据集。我们在数值和实际数据上演示了该模型，包括一个大型时空疾病数据集，在其中确定了先前未知的空间和时间异质性变化。

    Nov, 2015

  • 使用归一化流改进高斯过程

    通过参数可逆变换，扩大了高斯过程先验的类别，得到了一种计算效率高，具有良好的推测表现的算法，并在多个数据集上进行了验证。

    Nov, 2020

  • 高斯化流

    本文通过迭代高斯化的过程，提出了一种名为 “高斯化流” 的正态流模型，能够进行高效的似然计算和样本生成，而且具有良好的表达能力，能够捕捉多峰分布，且相较于其他流模型有更好的鲁棒性和泛化能力。

    Mar, 2020