用于物理信息温度场重建中偶然不确定性量化的深度蒙特卡洛分位数回归
机器学习
2022-02-15 v1
摘要
对于温度场重建(TFR)这一复杂的图像到图像回归问题，卷积神经网络(CNN)因其卷积层良好的图像特征提取能力而成为强大的代理模型。然而，训练CNN需要大量标注数据，且常规CNN无法量化由数据噪声引起的偶然不确定性。在实际工程中，TFR的无噪声标注训练数据难以获取。为解决这两个问题，本文提出一种深度蒙特卡洛分位数回归(Deep MC-QR)方法，用于重建温度场并量化由数据噪声引起的偶然不确定性。一方面，Deep MC-QR方法利用物理知识引导CNN的训练，从而可在无任何标注训练数据的情况下重建准确的TFR代理模型。另一方面，Deep MC-QR方法在每个训练轮次中为各输入构建分位数水平图像，训练后的CNN模型便可在预测阶段通过分位数水平图像采样量化偶然不确定性。最后，通过大量实验验证了所提Deep MC-QR方法的有效性，并分析了数据噪声对TFR的影响。
引用
@article{arxiv.2202.06596,
title = {Deep Monte Carlo Quantile Regression for Quantifying Aleatoric Uncertainty in Physics-informed Temperature Field Reconstruction},
author = {Xiaohu Zheng and Wen Yao and Zhiqiang Gong and Yunyang Zhang and Xiaoyu Zhao and Tingsong Jiang},
journal= {arXiv preprint arXiv:2202.06596},
year = {2022}
}