PICProp：用于不确定性量化的物理信息置信传播
人工智能
2023-10-23 v2 机器学习
摘要
深度学习和物理信息学习中不确定性量化的标准方法存在持续性局限。例如，需要对数据似然性强假设，性能高度依赖于先验的选择，且后验只能近似采样，因相关计算成本导致较差的近似。本文引入并研究确定性偏微分方程的置信区间（CI）估计作为一个新问题。即，以 CI 形式将置信度从数据位置以概率保证传播至整个域。我们提出一种称为物理信息置信传播（PICProp）的方法，基于双层优化计算有效 CI 而无需沉重假设。我们给出了关于方法有效性的定理，以及以物理信息学习为重点的计算实验。
引用
@article{arxiv.2310.06923,
title = {PICProp: Physics-Informed Confidence Propagation for Uncertainty Quantification},
author = {Qianli Shen and Wai Hoh Tang and Zhun Deng and Apostolos Psaros and Kenji Kawaguchi},
journal= {arXiv preprint arXiv:2310.06923},
year = {2023}
}
备注
Accepted at NeurIPS 2023. Code is available at https://github.com/ShenQianli/PICProp