用于代理建模与不确定性量化的门控线性模型诱导U-net
机器学习
2021-11-10 v1 机器学习
摘要
我们提出一种基于深度学习的新代理模型，用于求解高维不确定性量化与不确定性传播问题。所提出的深度学习架构通过将著名的U-net架构与高斯门控线性网络（GGLN）相集成而构建，称为门控线性网络诱导U-net或GLU-net。所提出的GLU-net将不确定性传播问题视为图像到图像的回归，因此数据效率极高。此外，它还提供预测不确定性的估计。GLU-net的网络架构复杂度较低，参数量比现有工作少44%。我们展示了所提出的GLU-net在稀疏数据场景下求解带不确定性的Darcy流问题中的性能。我们考虑的随机输入维数高达4225。基准结果使用 vanilla Monte Carlo 模拟生成。我们观察到所提出的GLU-net即使在不向网络提供输入结构信息的情况下也准确且极其高效。通过改变训练样本量和随机输入维数进行案例研究，以说明所提方法的鲁棒性。
引用
@article{arxiv.2111.05123,
title = {Gated Linear Model induced U-net for surrogate modeling and uncertainty quantification},
author = {Sai Krishna Mendu and Souvik Chakraborty},
journal= {arXiv preprint arXiv:2111.05123},
year = {2021}
}
备注
21 pages