基于贝叶斯主动学习的高性价比降阶建模
机器学习
2025-07-01 v1 机器学习
摘要
机器学习代理模型已被开发用于加速解决不同科学和工程应用中复杂过程系统动力学。为了忠实地捕捉支配系统动力学，这些方法依赖于大型训练数据集，从而限制了其在实际问题中的适用性。在本工作中，我们提出了 BayPOD-AL，这是一个基于 uncertainty-aware 贝叶斯正交投影分解 (POD) 方法的主动学习框架，旨在有效地从代表复杂系统的高保真全阶模型中学习降阶模型。实验结果表明，BayPOD-AL 在预测棒状物温度演化方面的效果，显示其在建议信息性数据方面有效，相对于其他不确定性引导的主动学习策略，减少了构建训练数据集相关的计算成本。此外，我们通过评估其在高于训练数据集更高时间分辨率数据集上的性能，展示了 BayPOD-AL 的通用性和效率。
引用
@article{arxiv.2506.22645,
title = {Cost-effective Reduced-Order Modeling via Bayesian Active Learning},
author = {Amir Hossein Rahmati and Nathan M. Urban and Byung-Jun Yoon and Xiaoning Qian},
journal= {arXiv preprint arXiv:2506.22645},
year = {2025}
}