DiffLoad：基于扩散模型的负荷预测不确定性量化
通过 DiffPLF 模型，对电动汽车充电进行概率负载预测，该模型能够根据历史数据和相关协变量明确地近似预测负载分布，并结合条件生成机制，通过任务导向的微调技术提高准确性和可靠性，实现复杂时间模式的可控生成。
Feb, 2024
应用深度学习量化不确定性是实现电网管理中精确可靠的时间序列预测的关键，本研究探索并比较了在水库计算中采用的贝叶斯和确定性方法对预测准确性、计算资源效率和估计不确定性可靠性的影响。
Aug, 2023
通过训练和样本采集大量扩散模型的集合来准确估计表观不确定性（可以通过更多的训练数据来减少的不确定性）和内在不确定性（与手头任务相关的不确定性）在将机器学习（ML）应用于医学影像和天气预报等高风险应用的过程中至关重要。而在模型架构复杂性增加时，训练这样的集合变得计算上难以处理。本论文介绍了一种新的集合方法，称为超扩散，它允许使用单个模型准确估计表观和内在不确定性。不同于现有的基于蒙特卡洛 dropout 的单模型集合方法，超扩散提供了与多模型集合相同的预测准确性。我们在两个不同的任务上验证了我们的方法：X 射线计算机断层扫描（CT）重建和天气温度预测。
Feb, 2024
本文探讨了在智能电网等关键基础设施中实现高效运营所需的精确电力负荷预测的问题，提出了基于深度学习模型应用于电力负荷预测问题的最新趋势，并通过实验评估了前馈神经网络、循环神经网络、序列到序列模型和时空卷积神经网络等多种深度学习模型在短期负荷预测方面的性能表现。
Jul, 2019
混合神经可微模型 (Hybrid Neural Differentiable Models) 在科学机器学习领域中具有重要的进展。这些模型将已知物理学的数值表示与深度神经网络相结合，提供了增强的预测能力，并展现了在数据驱动的复杂物理系统建模方面的巨大潜力。然而，一个至关重要但尚未解决的挑战在于量化来自多个来源的内在不确定性。针对这个问题，我们引入了一种新的方法 DiffHybrid-UQ，用于混合神经可微模型中的有效和高效的不确定性传播和估计，充分利用了深度集成贝叶斯学习和非线性变换的优势。具体地说，我们的方法能够有效地识别和量化同时来自数据噪声 (aleatoric uncertainties) 和模型形式偏差以及数据稀疏性引起的认知不确定性 (epistemic uncertainties)。这是在贝叶斯模型平均框架下实现的，其中通过混合神经模型来建模随机噪声。在混合模型中的非线性函数通过无损变换 (unscented transformation) 实现这些不确定性的传播。与此相反，我们使用一组随机梯度下降 (SGD) 轨迹来估计认知不确定性。这种方法为网络参数和物理参数的后验分布提供了实用的近似。值得注意的是，DiffHybrid-UQ 框架的设计考虑到了实施的简单性和高可扩展性，使其适用于并行计算环境。通过一些受常微分方程和偏微分方程影响的问题，我们展示了所提出方法的优势。
Dec, 2023
提出一个基于循环神经网络和神经随机微分方程的框架，以处理不规则采样下时间序列插补中的不确定性量化问题，并通过解析表达式量化和传播时刻间认知和随机不确定性，该方法在 IEEE 37 总线测试分布系统上优于现有的时序数据插值不确定性量化方法。
Jun, 2023
Diffusion Ensembles for Capturing Uncertainty (DECU) is an innovative framework designed to estimate epistemic uncertainty in generative diffusion models by efficiently training ensembles of conditional diffusion models with a static set of pre-trained parameters and employing Pairwise-Distance Estimators (PaiDEs) to accurately measure epistemic uncertainty in high-dimensional spaces.
Jun, 2024
本研究提出一种基于卷积神经网络的机器学习方法，利用单个动力学模型集成来对表示预测误差协方差矩阵的状态相关预测不确定性进行估计，并在杂交数据同化方法中进行性能测试，证明该方法能够相对精确地预测高维状态中的预测协方差矩阵值。
May, 2023
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