不确定性下可信神经网络代理模型策略性发现框架
计算工程、金融与科学
2024-05-15 v3 机器学习
摘要
深度神经网络在为复杂物理系统的高保真仿真开发数据驱动代理模型中的广泛应用，凸显了对稳健的不确定性量化技术和可信度评估方法的关键需求，以确保代理模型在重大决策中的可靠部署。本研究提出了针对代理模型的 Occam 似然性算法 (OPAL-surrogate)，提供了一个系统性框架，以在包含各种神经网络类别以及架构和超参数选择的庞大潜在模型空间中，发掘具有预测能力的基于神经网络的代理模型。该框架基于分层贝叶斯推断，并采用模型验证测试来评估不确定性下代理模型的可信度和预测可靠性。利用这些原则，OPAL-surrogate 引入了一种系统且高效的策略，以平衡模型复杂性、准确性和预测不确定性之间的权衡。通过两个建模问题展示了 OPAL-surrogate 的有效性，包括建筑隔热多孔材料的变形以及混合火箭发动机内固体燃料烧蚀的湍流燃烧流。
引用
@article{arxiv.2403.08901,
title = {A Framework for Strategic Discovery of Credible Neural Network Surrogate Models under Uncertainty},
author = {Pratyush Kumar Singh and Kathryn A. Farrell-Maupin and Danial Faghihi},
journal= {arXiv preprint arXiv:2403.08901},
year = {2024}
}