用于不确定性量化的可扩展信息不等式
信息论
2017-04-05 v1 math.IT
概率论
摘要
本文中我们展示了唯一可用的针对高维概率模型兴趣量的可扩展信息界。不等式的可扩展性使我们能够（a）在大量自由度极限和/或长时间机制下获得兴趣量的不确定性量化界；（b）评估大模型扰动的影响，如统计力学中的非线性响应机制；（c）处理模型形式不确定性，即比较不同扩展模型及相应兴趣量。我们通过推导统计力学模型相图的鲁棒不确定性量化界演示其中一些性质。
引用
@article{arxiv.1605.04184,
title = {Scalable Information Inequalities for Uncertainty Quantification},
author = {Markos A. Katsoulakis and Luc Rey-Bellet and Jie Wang},
journal= {arXiv preprint arXiv:1605.04184},
year = {2017}
}