未知高维条件分布的对抗式采样
机器学习
2022-01-05 v1 机器学习
大气与海洋物理
计算物理
流体动力学
摘要
许多工程问题需要预测实现到实现的变异性或对建模量进行精细化描述。此时，有必要从未知的高维空间中采样元素，其自由度可能达数百万。虽然存在能从形状已知的概率密度函数（PDF）中采样的方法，但当分布未知时则需作若干近似。本文将采样方法以及底层分布的推断均交由一种称为生成对抗网络（GAN）的数据驱动方法处理，该方法训练两个竞争的神经网络以产生一个能有效从训练集分布生成样本的网络。实践中，常常需要从条件分布中抽样。当条件变量为连续时，对应于某个条件变量特定值的数据点可能仅有一个（甚至没有），不足以估计条件分布。本工作利用对PDF条件矩的先验估计来处理该问题。此处比较了随机估计与外部神经网络两种计算这些矩的方法；但也可使用任意偏好的方法。该算法在滤波湍流流场反卷积的案例中进行了演示。结果表明，与最先进的方法相比，所提算法的所有版本均能有效地采样目标条件分布，且对样本质量影响极小。此外，该过程可用作衡量由连续变量条件的条件GAN（cGAN）所生成样本多样性的度量。
引用
@article{arxiv.2111.05962,
title = {Adversarial sampling of unknown and high-dimensional conditional distributions},
author = {Malik Hassanaly and Andrew Glaws and Karen Stengel and Ryan N. King},
journal= {arXiv preprint arXiv:2111.05962},
year = {2022}
}
备注
26 pages, 12 figures, 4 tables