基于不确定性的数据驱动方法用于快速可靠的形状优化
摘要
数据驱动优化(DBO)通过利用预训练的替代模型在迭代期间进行离线评估，为提高气动性能的形状优化提供了高效的途径。然而，DBO严重依赖训练数据库的质量。在优化过程中遇到的超出训练分布的样本可能导致显著的预测误差，从而误导优化过程。因此，在优化中引入不确定性量化对于检测异常值和增强鲁棒性至关重要。本研究提出了不确定性感知的数据驱动优化(UA-DBO)框架，用于监控和最小化DBO期间的替代模型不确定性。开发了用于预测其输出关联不确定性的概率编码器-解码器替代模型，并将这些不确定性整合到模型置信度感知的目标函数中，以在数据驱动优化过程中惩罚预测误差大的样本。该UA-DBO框架在旨在提高气动性能的双重优化问题上进行评估，包括改善机翼阻力分界和气 buffet 性能。结果表明，UA-DBO在优化样本上持续减少预测误差，并在较原始的DBO方面实现卓越的性能提升。此外，与基于完全计算模拟的双重优化相比，UA-DBO在显著加速优化速度的同时，实现了相当的优化效果。
引用
@article{arxiv.2601.21955,
title = {From Generative Modeling to Clinical Classification: A GPT-Based Architecture for EHR Notes},
author = {Fariba Afrin Irany and Sampson Akwafuo},
journal= {arXiv preprint arXiv:2601.21955},
year = {2026}
}
备注
This submission is a full-length research manuscript consisting of 37 pages and 15 figures. The paper presents a GPT-based architecture with selective fine-tuning for clinical text classification, including detailed architectural diagrams, learning curves, and evaluation figures such as ROC curves and confusion matrices