利用条件变分自编码器和深度神经网络进行临界热流预测：包含不确定性量化与域泛化
机器学习
2025-02-25 v2
摘要
深度生成模型(DGM)可以生成与原始数据集高度相似的合成数据样本，从而解决数据稀缺问题。在本工作中，我们开发了一个条件变分自编码器(CVAE)来增强用于2006年Groeneveld查找表的临界热流(CHF)数据。为与传统方法进行比较，对一个微调的深度神经网络(DNN)回归模型在相同数据集上进行了评估。两个模型均实现了较小的均绝对相对误差，其中CVAE的效果更为有利。进行了不确定性量化(UQ)，分别通过重复CVAE抽样和DNN集成实现。DNN集成在基线之上 improved 性能，而CVAE保持一致的结果，波动性更小且置信度更高。两个模型在训练域内外都实现了较小的误差，训练域外的误差略大。总体而言，CVAE在预测CHF方面优于DNN，并表现出更好的不确定性行为。
引用
@article{arxiv.2409.05790,
title = {Predicting Critical Heat Flux with Uncertainty Quantification and Domain Generalization Using Conditional Variational Autoencoders and Deep Neural Networks},
author = {Farah Alsafadi and Aidan Furlong and Xu Wu},
journal= {arXiv preprint arXiv:2409.05790},
year = {2025}
}