通过重排蒙特卡洛样本实现不确定性的高效传播
机器学习
2023-02-13 v1 数值分析
数值分析
统计计算
统计方法学
摘要
模型预测结果中的不确定性分析是基于决策的材料设计中的关键要素，用以确立对模型的置信并评估模型的保真度。不确定性传播（UP）是一种基于输入变量不确定性来确定模型输出不确定性的技术。从模型输入向输出传播不确定性最常见且最简单的方法是将大量样本输入模型，即蒙特卡洛（MC）模拟，这需要从输入变量分布中详尽采样。然而，当模型计算代价高昂时，MC 模拟并不实用。本工作中，我们验证如下假设：尽管所有样本平均而言都有用，但某些样本必定比其他样本更有用。因此，对 MC 样本重排并优先传播更有用的样本，可更早地在关注统计量上实现增强的收敛，从而减轻 UP 过程的计算负担。我们在此引入一种自适应重排 MC 样本的方法，并展示其如何降低 UP 过程的计算开销。
引用
@article{arxiv.2302.04945,
title = {Efficient Propagation of Uncertainty via Reordering Monte Carlo Samples},
author = {Danial Khatamsaz and Vahid Attari and Raymundo Arroyave and Douglas L. Allaire},
journal= {arXiv preprint arXiv:2302.04945},
year = {2023}
}
备注
9 pages, 5 figures