基于深度神经网络加速随机化后优化采样的策略
数值分析
2021-04-14 v1 数值分析
摘要
随机化后优化（RTO）广泛用于贝叶斯逆问题中后验分布的采样。然而，由于反复评估昂贵的正演模型及其梯度，RTO 对于复杂问题可能计算密集。本工作中，我们提出一种新策略，利用目标导向的深度神经网络（DNN）代理模型方法显著减轻 RTO 的计算负担。特别地，DNN 代理模型的训练点抽取自局部近似后验分布，并表明所得算法可提供灵活高效的采样算法，且收敛于直接 RTO 方法。我们给出一个由基准椭圆 PDE 控制的贝叶斯逆问题，以展示新算法（即 DNN-RTO）的计算精度与效率。表明该算法可显著优于传统 RTO。
引用
@article{arxiv.2104.06285,
title = {An acceleration strategy for randomize-then-optimize sampling via deep neural networks},
author = {Liang Yan and Tao Zhou},
journal= {arXiv preprint arXiv:2104.06285},
year = {2021}
}
备注
to appear in J. Comput. Math