基于 LSTM 自编码器的深度学习方法使用两种时间序列重建方式的贝叶斯推断比较
机器学习
2022-03-07 v1 计算工程、金融与科学
摘要
在这项工作中，我们以 LSTM 自编码器的形式结合贝叶斯推断、马尔可夫链蒙特卡洛和深度学习，构建并测试一个框架，以在流固耦合地质力学问题中从地表数据提供对注入速率的鲁棒估计。我们使用 LSTM 自编码器来重建由于注水问题导致断层顶面上网格点的位移时间序列。随后，我们在贝叶斯推断框架中部署该基于 LSTM 自编码器的模型来代替高保真模型，以从位移输入估计注入速率。
引用
@article{arxiv.2203.01936,
title = {Comparison of LSTM autoencoder based deep learning enabled Bayesian inference using two time series reconstruction approaches},
author = {Saumik Dana},
journal= {arXiv preprint arXiv:2203.01936},
year = {2022}
}