Sep, 2023

一种用于工程回归问题的基于物理知识的高斯过程谱

PDF
TL;DR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。
sensingdata-driven approachmachine learning technologypredictive modelsgaussian process models
发现论文，激发创造
  • 遥感中的物理感知高斯过程

    本文综述了在地球卫星观测中，机器学习算法（尤其是高斯过程回归）在生物物理参数估计方面的应用，以及如何利用前向模型改进预测和理解物理关系。最后，本文提出了三种高斯过程模型，分别为联合高斯过程模型、潜在力模型和自动高斯过程仿真器，通过植被监测和大气建模的实例验证了它们的性能。

    Dec, 2020

  • 主动学习高斯过程动力学

    本文提出了利用高斯过程回归中自然产生的信息理论特性的主动学习策略，尊重系统动态 imposed 约束下的抽样过程，并在高不确定度区域选择抽样点，以实现探索性行为和数据高效训练。该方法在大量数值基准测试中得到验证。

    Nov, 2019

  • 基于物理信息的机器学习作为内核方法

    使用物理信息对经验风险进行正则化可以有利于估计器的统计性能。

    Feb, 2024

  • 基于物理信息的高斯过程模型用于 Euler-Bernoulli 梁元

    利用物理信息的机器学习模型，以多输出高斯过程的形式，利用欧拉 - 伯努利梁方程制定，可用于回归结构的弯曲刚度的解析值、插值响应以及对潜在物理量进行概率推断。该模型应用于数值模拟悬臂梁上，评估回归的弯曲刚度并研究预测质量中测量噪声的影响。进一步，使用回归的概率刚度分布在结构健康监测中，利用马氏距离推理结构系统中损伤的可能位置和范围。为验证开发的框架，进行了实验并使用测量的异构数据集更新了假设的解析结构模型。

    Aug, 2023

  • 应用生成结构化归一化流高斯过程分析光谱数据

    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。

    Dec, 2022

  • 快速可扩展的高斯过程建模及其在天文时间序列中的应用

    本文提出了一种用于高斯过程建模的新方法，其中计算要求随着数据集的大小呈线性比例增长，与天文时间序列数据的应用作为例子，演示了此方法可用于概率推断星体旋转周期、星震振荡谱和凌星行星参数等问题，具有快速、可解释、可适用于天文数据分析和其他领域等优点。

    Mar, 2017

  • 一种基于物理知识的机器学习模型用于动态载荷重构

    基于高斯过程回归的概率物理信息机器学习框架，通过测量挠度、速度或加速度来重建动力学力，适用于不完整和受污染的数据，可以用于考虑测量系统噪声的自然正则化方法，推测了格陵兰东桥的空气动力学响应，结果显示应用和预测的动态负荷之间存在良好的一致性，并可用于计算全局响应和所产生的内部力，该框架的应用包括验证设计模型和假设，以及辅助损伤检测和结构健康监测的预测。

    Aug, 2023

  • 小样本生物制造过程建模的多保真度高斯过程

    在生物制造领域，我们提出采用统计机器学习方法 —— 多保真高斯过程，来解决生物过程建模中的不确定性、高成本采集数据以及缺乏数据等问题，并在两个具体问题上展示了它的有效性，分别是生物反应器放大和细胞系之间的知识迁移。

    Nov, 2022

  • 高斯过程回归对未知动力系统的安全验证

    提出了一种使用高斯过程的验证框架来对不确定动态系统进行抽象，并利用已有方法对不确定马尔可夫过程进行安全验证，该方法在多个例子中得到了验证。

    Apr, 2020

  • 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