Oct, 2023

基于机器学习代理的贝叶斯反问题方法应用

PDF
TL;DR使用神经网络作为代理模型，解决逆问题中基于二维声波方程噪声数据推断源位置的问题。
neural networkssurrogate modelsinverse problemsacoustic wave equationmarkov chain monte carlo
发现论文，激发创造
  • Autoinverse: 神经网络的不确定性感知反演

    Autoinverse 是一种高度自动化的逆变神经网络代理的方法，该方法能够在真实世界中部署，并且具有可行性和嵌入式正则化，并且在控制、制造和设计等领域得到了验证。

    Aug, 2022

  • 利用精确代理模型增强反问题求解的方法，找到有前途的候选解

    研究了神经邻伴方法中代理模拟器准确性对解决方案的影响，通过提出一种名为 Neural Lagrangian 方法的扩展，发现使用大型精确的代理模拟器能够更好地解决问题。在进行必要数量的解决方案候选者的处理困难时，NeuLag 方法能够找到最优解，即使在处理软或硬约束时也可以。

    Apr, 2023

  • 贝叶斯神经网络代理在贝叶斯优化中的研究

    研究使用贝叶斯神经网络作为替代标准高斯过程代理模型进行优化，并比较了多种不同的近似推理程序，发现在不同问题中，方法的排名高度依赖于问题本身。其中，在高维问题中，无限宽度的贝叶斯神经网络特别有前途。

    May, 2023

  • 深度学习与反问题

    这篇论文主要研究了机器学习和深度学习在逆问题中的应用，特别关注了神经网络和卷积神经网络的使用。

    Sep, 2023

  • 神经网络算子学习中的代价 - 准确度权衡

    本文讨论了使用神经网络进行偏微分方程算法中的代理建模，并比较了多种神经网络框架对于连续力学中的 PDE 模型的算子逼近问题的数值研究结果。

    Mar, 2022

  • 高斯过程用于线性偏微分方程贝叶斯反问题

    本研究关注使用高斯代理模型处理与线性偏微分方程相关的贝叶斯反问题，重点关注只有少量训练数据可用的情况下使用的高斯先验类型对于近似后验的性能影响的扩展研究。实验表明 PDE - 信息高斯先验优于传统先验。

    Jul, 2023

  • 从隐式模型中挖掘金子，以改善无似然推理

    介绍了一种新型的基于模拟的推断技术，在高维情况下，这种技术超越了传统的近似贝叶斯计算方法，并扩展了基于神经网络的代理模型的方法，并演示了这些新技术比传统方法更具样本效率和提供更高保真度的推断。

    May, 2018

  • 间接数据的有效先验校准

    从数据中学习先验模型，使用生成模型以高效学习先验的推进映射，并结合神经算子逼近方法并行学习前向模型，为需要从间接数据学习先验的情况提供了计算上更有效的方法。

    May, 2024

  • 神经网络适用于解决逆问题的渐近行为

    利用神经网络的渐近极限和对应的高斯过程，研究解卷积逆问题在量子谐振子模拟中的应用，发现使用神经网络的渐近极限得到的高斯过程比全连接神经网络的解卷积逆问题结果更好，而训练后的神经网络精度随着层数增加逼近高斯过程的精度，在文献中提供了一种新颖的、不同于已有方法的概率模型解释。此外，神经网络在渐近极限下还提供了具有成本效益的分析解。

    Feb, 2024

  • 基于物理约束深度学习的流体动力学代理建模

    本文提出了一种基于受物理约束的深度学习的代理建模方法，以替代传统的基于数值模拟的建模方法，在流体力学问题中得到了很好的应用表现。

    Jun, 2019