条件GAN在基于物理的反问题后验推断中的有效性与泛化性
机器学习
2022-11-21 v2 机器学习
摘要
在这项工作中，我们训练条件 Wasserstein 生成对抗网络（conditional Wasserstein generative adversarial networks）以有效从基于物理的贝叶斯推断问题的后验中采样。生成器采用 U-Net 架构构建，潜变量信息通过条件实例归一化注入。前者有助于多尺度逆映射，而后者使潜空间维度与测量维度解耦，并在 U-Net 的所有尺度上引入随机性。我们求解基于 PDE 的反问题，以展示我们的方法在量化推断场不确定性方面的性能。进一步，我们表明生成器可以学习本质局部的逆映射，这反过来在测试分布外样本时促进了泛化性。
引用
@article{arxiv.2202.07773,
title = {The efficacy and generalizability of conditional GANs for posterior inference in physics-based inverse problems},
author = {Deep Ray and Harisankar Ramaswamy and Dhruv V. Patel and Assad A. Oberai},
journal= {arXiv preprint arXiv:2202.07773},
year = {2022}
}