激光诱导击穿光谱谱线的神经密度估计与不确定性量化
机器学习
2021-08-20 v1 谱理论
机器学习
摘要
为高通量光谱数据中的推断构建概率密度通常是难解的。本工作中，我们在结构化光谱潜空间上使用归一化流来估计此类密度，从而支持下游推断任务。此外，我们评估了一种用于预测与每条谱线相关的未观测状态向量时的不确定性量化方法。我们在火星车 Curiosity 上 ChemCam 仪器收集的激光诱导击穿光谱数据上展示了该方法的能力。使用我们的方法，我们能够生成真实的光谱样本，并准确预测具有良好校准不确定度的状态向量。我们预期该方法学将实现光谱数据的高效概率建模，从而在包括分布外检测与敏感性分析在内的若干领域带来潜在进展。
引用
@article{arxiv.2108.08709,
title = {Neural density estimation and uncertainty quantification for laser induced breakdown spectroscopy spectra},
author = {Katiana Kontolati and Natalie Klein and Nishant Panda and Diane Oyen},
journal= {arXiv preprint arXiv:2108.08709},
year = {2021}
}
备注
5 pages, 3 figures