残差多保真神经网络计算
多保真度代理模型通过聚合来自多个来源的数据,以学习最高保真度级别的准确代理模型。我们提出了一种新的多保真度代理模型框架 - 多保真度残差神经过程 (MFRNP),通过对较低保真度的代理模型输出进行聚合,并对聚合结果与最高保真度的真实数据之间的残差进行建模,从而实现准确的信息共享。在学习偏微分方程和实际气候建模任务中,MFRNP 显著优于当前最先进的方法。
Feb, 2024
通过比较多种多保真度方法构建高斯过程代理进行回归,我们发现多保真度方法通常具有较小的预测误差,且对于相同计算成本而言,其效果因不同场景而异。
Apr, 2024
多重保真度代理模型结合了不同来源的准确性和成本不同的数据。它战略性地使用低保真度模型进行快速评估,节省计算资源,并使用高保真度模型进行详细优化,它通过解决不确定性和超越单一保真度模型的限制来改善决策。融合高保真度数据用于详细响应,并且频繁融合低保真度数据用于快速近似,有助于在各个领域进行设计优化。
Apr, 2024
在科学机器学习中,我们提出了一种新的多保真度训练方法,利用可用的不同保真度和成本的数据,通过多保真度数据定义线性回归模型的未知参数的新的多保真度蒙特卡罗估计器,并提供理论分析以保证该方法的准确性和对较小训练预算的改进鲁棒性。数值结果验证了理论分析,并表明与仅具有相似成本的高保真度数据训练的标准模型相比,我们用稀缺高保真度数据和额外低保真度数据训练的多保真度学习模型具有数量级更低的模型方差,说明在稀缺数据环境下,我们的多保真度训练策略能够产生具有较低期望误差的模型。
Mar, 2024
本文提出了一种基于多保真数据培训的新型复合神经网络,用于近似标准基准函数和 20 维函数,以及对多保真数据进行训练,包含四个完全连接的神经网络,第一个近似低忠实度数据,第二个和第三个构造低和高忠实度数据之间的相关性,并生成多忠实度近似,然后在最后一个编码部分微分方程(PDE),通过训练多精度 PINNs,我们可以推断感兴趣的数量并识别 PDE 中的未知参数。
Feb, 2019
研究了一个多保真代理模型框架,将多项式相关函数扩展(PCFE)与高斯过程(GP)相结合,提供了一种称为 H-PCFE 的有效代理模型,并引入了具有不同保真度的级联模型体系,称为 Deep-HPCFE,其通过在不同模型之间引入空间相关性,有效地解决了由低保真度模型引起的预测误差问题。该多保真度框架的性能评估和数字双胞胎系统的实际应用证明了其有效性。
Jun, 2023
为了解决高维数据下基于高斯过程的多保真度主动学习不易扩展以及传递误差的问题,我们提出了一种基于解缠混淆的深度贝叶斯学习框架,可以在多个保真度下学习代理模型的分布函数。
May, 2023
提出一种基于多保真深度神经网络的连续学习方法,限制灾难性遗忘,并能与已有的连续学习方法(包括重放和记忆感知突触)结合使用。该方法特别适合解决物理问题和基于物理的神经网络。
Apr, 2023