面向硬约束学习的端到端概率框架
机器学习
2025-11-05 v2 人工智能
计算工程、金融与科学
摘要
我们提出 ProbHardE2E，一种集成硬操作/物理约束并提供不确定性量化的概率预测框架。我们的 метод使用一种新颖的可微分概率投影层（DPPL），可与广泛的神经网络架构组合。DPPL 允许模型以端到端方式学习系统，与其他方法不同，后者要么在后处理步骤中满足约束，要么在推断时满足约束。ProbHardE2E 优化严格的准则得分规则，不对目标分布作任何假设，从而获得鲁棒的分布性估计（与现有方法不同，后者通常优化基于似然的目标函数，这些目标函数对分布假设和模型选择高度敏感）；并且可以包含各种非线性约束（增加了建模和灵活性的力量）。我们将 ProbHardE2E 应用于带有不确定性估计的偏微分方程学习以及概率时间序列预测，展示了其作为一种广泛适用的通用框架，连接了这些看似不相关的领域。
引用
@article{arxiv.2506.07003,
title = {End-to-End Probabilistic Framework for Learning with Hard Constraints},
author = {Utkarsh Utkarsh and Danielle C. Maddix and Ruijun Ma and Michael W. Mahoney and Yuyang Wang},
journal= {arXiv preprint arXiv:2506.07003},
year = {2025}
}
备注
45 pages, 5 figures, 10 tables