基于 Langevin 抽样的神经网络演化过程不确定性量化
机器学习
2025-05-21 v2 机器学习
摘要
我们提出一种可扩展的近似推断超网络框架, 用于一般的历史依赖过程模型. 该灵活的数据模型基于神经普通微分方程（NODE）表示内部状态的演化, 并包含可训练的观测模型子组件. 数据模型参数（权重和偏置）的后验分布遵循具有与后验得分相关的漂移项的随机微分方程, 该漂移项与数据模型参数一起联合学习. 这种 Langevin 抽样方法在数据模型评估成本和后验密度近似之间提供了灵活的权衡. 我们在化学反应和材料物理数据上演示了 ensemble 抽样超网络的性能, 并将其与标准变分推断进行比较.
引用
@article{arxiv.2504.14854,
title = {Uncertainty quantification of neural network models of evolving processes via Langevin sampling},
author = {Cosmin Safta and Reese E. Jones and Ravi G. Patel and Raelynn Wonnacot and Dan S. Bolintineanu and Craig M. Hamel and Sharlotte L. B. Kramer},
journal= {arXiv preprint arXiv:2504.14854},
year = {2025}
}
备注
23 pages, 14 figures