用高斯过程有效处理模型偏差——对不平衡多约束反演的重要性

机理模拟模型针对观测值进行反演，以便对建模过程获得推断。然而，随着收集高分辨率观测值能力的增强，这些观测值代表了更多不属于建模目的的详细过程模式。这种不匹配导致模型偏差，即观测值与模型预测之间的系统性差异。当偏差未被恰当地考虑时，后验不确定性被低估。此外，参数被推断使得模型偏差出现在记录较少的观测数据流中，而不是出现在对应于薄弱模型部分的数据流中。这阻碍了对需要改进的薄弱过程公式的识别。因此，我们开发了一种高效公式，通过高斯过程（GP）统计模型来考虑模型偏差。本文提出了一种用于模型参数和偏差的新的贝叶斯采样方案，通过一个基本示例解释其应用对推断的影响，并展示其对真实世界模型-数据集成研究的适用性。GP方法正确地识别了丰富数据流中的模型偏差。采样上的创新使得其能成功应用于数千条记录的观测数据流。此外，所提出的新公式可与基于梯度的优化相结合。因此，模型反演研究应承认模型偏差，尤其是在使用多个不平衡数据流时。为此，研究可使用所提出的GP方法来改进对模型参数和建模过程的推断。