基于扩散模型的演化势函数变分学习：用于随机系统的EPODMs
机器学习
2025-02-18 v1 人工智能
机器学习
摘要
我们提出了Epistemic Variational Onsager Diffusion Models (EVODMs)，这是一种机器学习框架，将Onsager变分原理与扩散模型结合， enables 从噪声随机数据中以稳健的方式学习自由能和耗散势（以及相关的演化方程）。通过进一步将该模型与Epinets结合，EVODMs以最小的计算成本对epistemic不确定性进行量化。通过两个例子验证了该框架：（1）以随机偏微分方程建模的卷曲蛋白相变；（2）以动力学蒙特卡洛仿真建模的晶格粒子过程（对称简单排斥过程）。在这两个例子中，我们旨在从噪声数据中发现支配其动力学的确定性连续极限下的热力学势。EVODMs在从噪声数据恢复自由能和耗散势方面显示出优于传统机器学习框架的更高精度。同时，epistemic不确定性通过Epinets和知识蒸馏进行有效量化。这一工作突显了EVODMs在非平衡现象的数据驱动建模和随机系统不确定性量化方面的潜力。
引用
@article{arxiv.2502.10587,
title = {Towards Self-Supervised Covariance Estimation in Deep Heteroscedastic Regression},
author = {Megh Shukla and Aziz Shameem and Mathieu Salzmann and Alexandre Alahi},
journal= {arXiv preprint arXiv:2502.10587},
year = {2025}
}
备注
ICLR 2025