基于随机先验的深度算子网络可扩展不确定性量化
机器学习
2022-08-17 v1 机器学习
摘要
我们提出了一种简单而有效的方法，用于对深度算子网络（DeepONets，函数空间监督学习的新兴范式）进行后验不确定性量化。我们采用基于随机先验集成（randomized prior ensembles）的频率学派方法，并给出了一种高效的向量化实现，以在加速硬件上进行快速并行推断。通过计算力学与气候建模中一组具有代表性的示例，我们表明所提方法的优点有四个方面。（1）与确定性 DeepONets 相比，它能提供更稳健且准确的预测。（2）在具有多尺度函数对的稀缺数据集上，它展现出提供可靠不确定性估计的强大能力。（3）它能有效检测分布外与对抗性样本。（4）它能无缝量化由模型偏差以及数据中噪声污染所导致的不确定性。最后，我们提供了一个名为 UQDeepONet 的优化 JAX 库，该库可容纳大型模型架构、大型集成规模以及大型数据集，并在加速硬件上具备优异的并行性能，从而能够在现实大规模应用中对 DeepONets 进行不确定性量化。
引用
@article{arxiv.2203.03048,
title = {Scalable Uncertainty Quantification for Deep Operator Networks using Randomized Priors},
author = {Yibo Yang and Georgios Kissas and Paris Perdikaris},
journal= {arXiv preprint arXiv:2203.03048},
year = {2022}
}
备注
23 pages, 11 figures