基于仿真的心血管模型推理
使用结构化概率分布的混合模型,提供了逼真的后验推断,相较于基于神经网络的仿真推断方法,在计算上具有更小的足迹,对于具有复杂模型和难以计算的似然函数的贝叶斯推断提供了一个可行的选择。
Mar, 2024
引入校准项到神经模型的训练目标中,通过放松经典校准误差公式,我们提出了一种方法来解决现有算法对后验不确定性估计准确性的挑战,该方法适用于现有计算流程,实现可靠的黑盒后验推断,并在六个基准问题上经验证明具有竞争性或更好的结果。
Oct, 2023
利用 PINNs 方法从散射二维噪声测量中估计上行主动脉中的简化模型参数和全速度场,方法在模拟数据上表现出稳定且准确的参数估计,速度重建取决于测量质量和流动模式复杂性,可用于解决临床相关反问题和复杂耦合物理系统。
Aug, 2023
在非线性模型中,我们提出了一种基于模拟推理和分数网络的方法,利用多个观测值的共享信息来更好地推断模型的参数,并在各种数值实验中证明了其在数值稳定性和计算成本方面的优越性。
Apr, 2024
本文提出基于正则化流(Normalizing Flows,NF)的多维条件(后验)概率密度估计的易于解释的验证诊断方法,并提供了基于局部相容性结果的理论保证。该工作可用于检查、分析和保证估计器的一致行为,并以计算神经科学的上下文中涉及紧密耦合参数的具有挑战性的例子进行说明。
Nov, 2022
通过引入鲁棒后验估计 (ROPE),克服了模型错误配置,ROPE 在真实世界校准集的基础上提供了具有可控平衡的校准不确定性和信息丰富的推断,通过解决真实观测和模拟观测之间的最优运输问题确保了模拟基于推理的可靠性。
May, 2024
本研究提出了一种基于神经网络的 ACE 方法,通过代替可能过于严格的贝叶斯后验分布,使用适应数据的成本函数来进行科学模拟器的仿真推断,从而同时减少了计算成本和提高了精度。
May, 2023