应用于光谱数据的生成式结构化归一化流高斯过程

本工作中，我们提出了一种利用结构化条件归一化流与高斯过程回归将输入映射到结构化高维输出的生成式模型。该模型的动机在于，在对新数据进行推断时需要刻画输入输出关系中的不确定性。特别是在物理科学中，有限的训练数据可能不足以刻画未来观测数据；模型必须充分指示不确定性，尤其当可能被要求外推时。在我们提出的模型中，结构化条件归一化流提供简洁的潜变量表示，其通过高斯过程与输入相关联，提供精确的似然计算以及随远离训练数据输入而自然增大的不确定性。我们在火星车好奇号上ChemCam仪器的激光诱导击穿光谱数据上演示了该方法。ChemCam旨在通过测量激光脉冲诱导的等离子体原子发射的光谱特性来恢复岩石与土壤样品的化学成分。我们展示了模型能在给定化学成分条件下生成真实光谱，并可利用该模型对新观测光谱进行化学成分的不确定性量化。基于我们的结果，预期所提建模方法可应用于其他具有高分维复杂结构且需量化预测不确定性的科学领域。