面向反问题的对抗数值分析

许多科学与工程应用被表述为与随机模型相关的反问题。在此类情形下，未知量为分布。传统方法的适用性受限，因其要求苛刻的假设或计算消耗 prohibitive；例如，最大似然方法需要闭式密度函数，而马尔可夫链蒙特卡洛需要大量模拟。我们引入对抗数值分析，其通过最小化观测随机过程与模拟随机过程间统计性质差异来估计未知分布。该差异度量由判别神经网络计算。我们通过数值实验证明所提方法能够估计底层参数并学习复杂的未知分布。