UQ-SHRED：通过回归进行稀疏感知的浅层循环解码器网络的不确定性量化
机器学习
2026-04-03 v1 计算工程、金融与科学
摘要
从稀疏传感器测量中重建高维时空场在广泛的科学应用中至关重要。SHallow REcurrent Decoder (SHRED) 架构是一种近期最先进的架构，可从超稀疏传感器测量流中重建高质量空间域。SHRED 的一个重要局限是，在复杂、数据稀缺、高频或随机系统中，时空场的部分区域必须以有效的不确定性估计来建模。我们引入 UQ-SHRED，一个用于稀疏感知问题的分布学习框架，通过一种称为回归 (engression) 的基于神经网络的分布回归提供不确定性量化。UQ-SHRED 通过学习以传感器历史为条件的时空状态预测分布来建模不确定性。通过在传感器输入中注入随机噪声并以能量得分损失进行训练，UQ-SHRED 以最小的计算开销产生预测分布，仅需在输入端注入噪声并通过单一架构重采样，无需重新训练或额外的网络结构。在包括湍流流动、大气动力学、神经科学和天体物理学在内的复杂合成和真实数据集上，UQ-SHRED 提供了具有良好校准置信区间的分布近似。我们进一步进行了消融研究，以了解每个模型设置如何影响 UQ-SHRED 的性能，以及其在不同实验设置上不确定性量化的有效性。
引用
@article{arxiv.2604.01305,
title = {UQ-SHRED: uncertainty quantification of shallow recurrent decoder networks for sparse sensing via engression},
author = {Mars Liyao Gao and Yuxuan Bao and Amy S. Rude and Xinwei Shen and J. Nathan Kutz},
journal= {arXiv preprint arXiv:2604.01305},
year = {2026}
}