基于代理模型的贝叶斯推理中的不确定性量化与传播

Dec, 2023

基于代理模型的贝叶斯推理中的不确定性量化与传播

Uncertainty Quantification and Propagation in Surrogate-based Bayesian Inference

Philipp Reiser, Javier Enrique Aguilar, Anneli Guthke, Paul-Christian Bürkner

TL;DR用于模拟建模的代理模型中的不确定度传播是一个重要的问题，本论文提出了一个可伸缩的贝叶斯方法来进行全面的不确定度量化、传播和验证，并展示了在线性和非线性建模场景中使用该方法的案例研究。

Abstract

surrogate models are statistical or conceptual approximations for more complex simulation models. In this context, it is crucial to propagate the uncertainty induced by limited simulation budget and surrogate approximation error to predictions, inference, and subsequent decision-releva

surrogate models uncertainty quantification bayesian inference surrogate uncertainty propagation simulation modeling

发现论文，激发创造

先验概率对由较小数据集得出的不确定概率量化和传播的影响

研究提出了一种贝叶斯多模型不确定性量化和传播方法，并调查了先验概率对结果不确定性的影响，结果表明先验概率在多模型不确定性上具有显著影响，尤其是在小数据集上。

Oct, 2017

通过高斯过程回归代理进行时间序列预测的不确定性估计

本研究提出了一种基于替代高斯过程模型的新的不确定性估计方法，能够为任何基础模型提供准确的不确定性估计，并证明该方法在时序预测数据方面比基于引导的方法在中小型数据区域和不同系列的基础模型，包括线性回归，ARIMA 和梯度提升中提供更准确的置信区间。

Feb, 2023

使用生成模型进行不确定性量化

本文提出了一种基于生成模型的贝叶斯逆问题方法，特别针对图像重建中的噪声和不完整图像，并解决了贝叶斯重建中遇到的常见问题：使用包含所有可用信息的复杂数据驱动先验，并在潜在空间和数据空间中进行可计算的不确定性量化。

Oct, 2019

三维解剖分割中切片传播不确定性的估计与分析

监督方法和自监督方法在 3D 解剖分割中表现出卓越的性能，但受到标注数据的限制。为了解决这个问题，本研究提出将经过校准的不确定性量化集成到切片传播方法中，提供模型预测可靠性和置信水平的见解，从而提高自监督方法的实用性和精确性。

Mar, 2024

医学成像管道中的不确定性传播和归因

通过级联深度学习模型在医学影像流水线中传播不确定性，我们提出了一种建立可解释的神经网络的不确定性估计方法，并展示了其在重建脑和膝盖磁共振图像以及预测定量信息方面的效用。

Sep, 2023

推断时间采样量化预测不确定性

通过后处理的抽样策略估计数据不确定性，该方法可用于任何前馈确定性网络，能生成多样化的预测分布，并与预测误差有着良好的相关性。

Aug, 2023

稳定分布传播的不确定性量化

基于局部线性化的方法来通过神经网络传播稳定的概率分布，以量化其输出的不确定性。

Feb, 2024

关于近贝叶斯最优算法的不确定性量化

本文介绍了一种用于解决常用机器学习算法的贝叶斯推断问题的新方法，证明了通过构建一个 martingale 后验分布，可以恢复由任务分布定义的贝叶斯后验。同时提出了一种适用于通用机器学习算法的实用不确定性量化方法，实验证明了该方法的有效性。

Mar, 2024

神经状态空间模型：不确定性量化的实证评估

本研究应用 Bayesian 概率框架和近似推理技术，对神经状态空间模型进行不确定性量化，得出模型输出的可信区间和惊奇指数，以有效诊断模型在潜在危险的分布区域内的使用可能性。

Apr, 2023

微分方程贝叶斯解不确定性量化

本研究提出了通过 Bayesian updating 方法推测已知固定但先验未知的模型轨迹以处理离散化不确定性，并为此目的设计了一个一步采样方案。此方案具有一阶收敛性，计算复杂度与显式一步求解器的计算复杂度成正比，并可用于推断蛋白质动力学中 JAK-STAT 延迟微分方程模型的后验分布。

Jun, 2013