B-PL-PINN：基于贝叶斯伪标记稳定 PINN 训练
机器学习
2025-07-03 v1
摘要
针对前向问题训练物理夹杂神经网络（PINN）常常严重受收敛问题的困扰，这阻碍了信息从所需解域较好地定义的区域传播。Haitsiukevich 和 Ilin（2023）提出了一种集成方法，扩展了每个 PINN 的主动训练域基于 i) 集体共识和 ii) 距离（伪）标记点，从而确保初始条件的信息成功传播到计算域的内部。在本工作中，我们建议用贝叶斯 PINN 替代集成，用后验方差评估代替共识。我们的实验表明，这种在数学上具有原则性的方法在一组基准问题上优于集成方法，与使用 Adam 和 LBFGS 组合训练的 PINN 集成相当。
引用
@article{arxiv.2507.01714,
title = {B-PL-PINN: Stabilizing PINN Training with Bayesian Pseudo Labeling},
author = {Kevin Innerebner and Franz M. Rohrhofer and Bernhard C. Geiger},
journal= {arXiv preprint arXiv:2507.01714},
year = {2025}
}