用于从任意数量多保真度数据集学习的概率神经数据融合
机器学习
2023-07-26 v1 机器学习
摘要
在科学与工程诸多应用中，分析人员可同时访问多个数据源。此类情形下，可通过数据融合或多保真度（MF）建模降低信息获取的总体成本，即利用廉价的低保真度（LF）源减少对昂贵高保真度（HF）数据的依赖。本文中，我们在数据极为稀缺且来源于任意数量、保真度与成本各异的源时，采用神经网络（NNs）进行数据融合。我们引入一种独特的 NN 架构，将 MF 建模转化为非线性流形学习问题。我们的 NN 架构在一个可解释且可视化的流形中逆向学习 LF 源的非平凡（如非加性与非层次性）偏差，其中每个数据源通过低维分布编码。该概率流形量化了模型形式不确定性，使得偏差小的 LF 源被编码在靠近 HF 源处。此外，我们赋予 NN 输出参数化分布，不仅量化偶然不确定性，还基于严格恰当评分规则重构网络损失函数，从而提升对未知 HF 数据的鲁棒性与精度。通过一组解析与工程实例，我们证明该方法在量化各类源不确定性的同时具备高预测能力。
引用
@article{arxiv.2301.13271,
title = {Probabilistic Neural Data Fusion for Learning from an Arbitrary Number of Multi-fidelity Data Sets},
author = {Carlos Mora and Jonathan Tammer Eweis-Labolle and Tyler Johnson and Likith Gadde and Ramin Bostanabad},
journal= {arXiv preprint arXiv:2301.13271},
year = {2023}
}