Apr, 2024
利用插值模型和误差界提高可验证的科学机器学习
Leveraging Interpolation Models and Error Bounds for Verifiable Scientific Machine Learning
Tyler Chang, Andrew Gillette, Romit Maulik
TL;DR验证和验证现代科学机器学习工作流程的有效技术是很具挑战性的。本研究通过展示（1）多个标准插值技术具有信息丰富的误差界限，可以进行高效计算或估计；（2）不同插值器之间的比较性能有助于验证目标；（3）在深度学习技术生成的潜在空间上部署插值方法，使得黑匣子模型具有一定的可解释性。我们提供了一个详细的案例研究，用于从飞翼图像预测升阻比。本研究的代码可在公共 Github 存储库中获取。