Conformalized Polynomial Chaos Expansion for Uncertainty-aware Surrogate Modeling
Centrum Wiskunde & Informatica(荷兰数学与计算机科学中心);Johns Hopkins University(约翰斯·霍普金斯大学)
本文提出一种符合化多项式混沌展开方法,用于在代理建模中量化预测不确定性,通过整合jackknife预测并利用线性特性提升效率。
2026-10-26 stat.CO stat.ME stat.ML
Stochastic spectral embedding
构建近似,可以准确地模拟复杂模型的行为,减少计算成本是不确定性量化的一个重要方面。尽管它们的灵活性和效率,经典的代理模型,如克里格或多项式混沌展开往往与高度非线性,局部化或非平稳的计算模型。本文提出了一种新的基于递归嵌入局部谱展开的序贯自适应代理建模方法。它是通过输入域的不相交递归分区来实现的,该分区包括将输入域依次拆分为较小的子域,并在每个子域中构建更简单的局部谱展开,利用复杂性与局部性的权衡。由此产生的扩展,我们称之为“随机谱嵌入”(SSE),是模型响应的分段连续近似,显示出有前途的近似能力,以及问题维度和训练集大小的良好缩放。最后,我们展示了如何与最先进的稀疏多项式混沌扩展的一组模型具有不同的复杂性和输入维数的方法相比。
2020-06-26 stat.CO stat.ME stat.ML
Approximate Interval Method for Epistemic Uncertainty Propagation using Polynomial Chaos and Evidence Theory
本文建立在最近的一种方法,找到一个真正的函数使用多项式混沌展开的近似边界。给定一个具有紧支持概率分布的随机变量函数,直觉上是使用多项式混沌展开来量化响应中的不确定性,并丢弃所有提供的关于输出随机性的信息,只提取其紧支持的边界。为了求解多项式的边界范围,将多项式混沌展开变换为Bernstein形式,并利用Bernstein多项式的值域封闭性来求解响应的最小值和最大值。这个程序是用来传播Dempster-Shafer结构的封闭区间通过非线性函数,它是应用于代数挑战问题。
2011-07-08 math.PR stat.CO stat.ME
Polynomial chaos based uncertainty quantification in Hamiltonian, multi-time scale, and chaotic systems
多项式混沌是一种通过常微分方程和偏微分方程传播不确定性的强大技术。将随机变量用正交多项式展开,导出展开系数的微分方程。在这里,我们研究这些微分方程的结构和动力学时,原系统具有哈密顿结构,具有多个时间尺度,或显示混沌动力学。特别地,我们证明了Hamilton系统的广义多项式混沌展开式中展开系数的微分方程相对于系综平均Hamilton保持了Hamilton结构.我们将其与哈密顿流的保体积性质相联系,以表明对于频率不确定的振荡器,无论展开的顺序如何,有限展开都必须在很长时间内失败。此外,使用两个时间尺度强迫非线性振荡器,我们表明,多项式混沌扩展的时间平均方程捕获系统的庞加莱部分的缓慢演变的不确定性,并且,随着时间尺度分离的增加,这个过程的计算优势增加。最后,以受迫Duffing振子为例,证明了当原动力系统表现出混沌动力学时,由多项式混沌产生的动力系统也表现出混沌动力学,从而限制了它的适用性.
2014-06-17 stat.CO
AL-SPCE - Reliability analysis for nondeterministic models using stochastic polynomial chaos expansions and active learning
ETH Zürich(苏黎世联邦理工学院)
本研究针对非确定性模型可靠性分析中现有方法计算成本高的问题,提出AL-SPCE主动学习框架,结合SPCE与不确定性量化,可在保证估计准确性的前提下提升计算效率。
2026-09-02 stat.CO stat.ME stat.ML
Surrogate modeling based on resampled polynomial chaos expansions
在替代模型中,多项式混沌展开(PCE)被广泛地用于表示随机模型响应,这是计算昂贵的并且通常通过确定性数值建模方法(包括有限元和时域有限差分方法)获得。最近,已经努力通过仅选择有影响的基多项式(例如,通过最小角度回归的方法)。本文提出了一种称为重采样PCE(rPCE)的方法,通过利用真实模型是固定的这一知识来进一步优化选择,尽管训练中采样固有的统计不确定性。通过经由重采样($k$ -这里使用的倍除法)模拟数据变化并且收集关于所有重采样的所选多项式,主要根据选择频率对多项式进行排序。复位方案(这里是$k$的值)非常重要,并考虑和比较了各种配置。所提出的重采样PCE是用两种流行的选择技术实现的,即最小角度回归和正交匹配追踪,以及它们的组合。所提出的算法的性能证明了两个分析的例子,在结构力学的基准问题,以及在计算剂量学的一个现实的案例研究。
2019-12-12 stat.CO stat.ME
Sparse Polynomial Chaos expansions using Variational Relevance Vector Machines
École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院);Technische Universität Munchen(慕尼黑工业大学)
多项式混沌建模的非侵入式方法的挑战在于有限数量的模型模拟下的计算效率和精度。这些挑战可以通过仅保留最重要的基项来在级数表示中实施稀疏性来解决。在这项工作中,我们提出了一种新的稀疏贝叶斯学习技术获得稀疏多项式混沌扩展,这是基于相关向量机模型,并使用变分推断训练。该方法在高维数据驱动的环境中使用相对较少的数据点显示出巨大的潜力,并实现了与压缩感知等其他方法相当的用户控制稀疏水平。所提出的方法说明了两个数值例子,一个合成的响应函数,探索验证的目的和随机杨氏模量和随机加载,这是由随机有限元与38个输入随机变量建模的低碳钢板。
2019-12-23 cs.LG stat.CO stat.ML
Computing derivative-based global sensitivity measures using polynomial chaos expansions
在计算机实验领域,敏感性分析旨在量化计算模型的每个输入参数(或其组合)相对于模型输出不确定性的相对重要性。方差分解方法导致众所周知的Sobol'指数被认为是准确的技术,在一个相当高的计算成本,虽然。使用多项式混沌展开(PCE)来计算Sobol指数,可以减轻计算负担。然而,在处理大维度输入向量时,首先使用筛选方法以丢弃不重要的变量是一种良好的做法。在这方面,最近开发了{ \em基于导数的全球敏感性度量}(DGSM)。在本文中,我们将展示如何多项式混沌展开可用于计算分析DGSMs作为一个纯粹的后处理。这需要分析推导的正交多项式的衍生物进入PC的扩展。在敏感性分析中的两个著名的基准问题上说明了该方法的有效性。
2014-05-22 stat.CO
A Generalized Polynomial Chaos-Based Method for Efficient Bayesian Calibration of Uncertain Computational Models
本文讨论了动态模型的参数和结构的不确定性,特别是当不确定参数是未知的/知之甚少的时空变化的子系统模型的贝叶斯校准。具有不确定超参数的独立平稳高斯过程描述了模型结构和参数的不确定性,而Karhunnen-Loeve展开被用来谱表示这些高斯过程。将先验高斯过程的Karhunnen-Loeve展开投影到广义多项式混沌的基础上,而利用侵入式Galerkin投影计算模拟器输出的相关系数。贝叶斯推断用于更新广义多项式混沌基的先验概率分布,其与混沌展开系数一起表示后验概率分布。识别量化模拟器模型的可信度的后验分布的参数。所提出的方法被证明是校准的模拟器的准一维流动通过扩张喷嘴。
2012-11-01 math.PR stat.CO
A preconditioning approach for improved estimation of sparse polynomial chaos expansions
压缩采样已被广泛应用于随机函数的稀疏多项式混沌(PC)逼近。压缩采样的恢复精度高度依赖于测量矩阵的非相干性。本文考虑欠定方程组的预处理问题。用非奇异矩阵预乘线性方程组得到等效方程组,但它可以潜在地改善所得预处理测量矩阵的不相干性,并导致更好的恢复精度。然而,当测量有噪声时,预处理也可能导致更差的信噪比,从而降低恢复精度。在这项工作中,我们提出了一个预处理方案,提高了测量矩阵的不相干性,并在同一时间防止不希望的恶化的信噪比。我们提供的理论动机和数值例子表明,所提出的方法在提高估计多项式混沌展开的准确性的承诺。
2018-04-05 stat.CO
Limitations of polynomial chaos expansions in the Bayesian solution of inverse problems
Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室);Department of Mathematics University of California, Berkeley(加州大学伯克利分校数学系);Department of Mathematics University of Kansas(堪萨斯大学数学系)
研究指出多项式混沌展开在数据信息超出先验假设时会导致后验估计不准确,需适应性增加多项式阶数以提高精度,但成本可能过高。
2014-10-24 cs.NA math.NA stat.CO
Data-driven polynomial chaos expansion for machine learning regression
我们提出了一种基于多项式混沌展开(PCE)的数据驱动问题的回归技术。PCE是不确定性量化(UQ)领域中的一种流行技术,其中它通常用于将受制于随机输入的可运行但昂贵的计算模型替换为评估成本低廉的多项式函数。所获得的元模型使得能够可靠地估计输出的统计数据,前提是输入的合适的概率模型是可用的。机器学习(ML)回归是一个研究领域,专注于提供纯粹的数据驱动的输入输出图,重点是逐点预测精度。我们表明,纯粹在数据上训练的PCE元模型可以产生逐点预测,其准确性与其他ML回归模型(如神经网络和支持向量机)相当。比较基准数据集可从文献中进行。该方法还可以量化输出的不确定性,并且对噪声具有鲁棒性。此外,它还具有额外的理想特性,例如对小训练集的良好性能和构造简单,只需很少的参数调整。
2019-04-01 cs.LG stat.CO stat.ML
Divide and Conquer: An Incremental Sparsity Promoting Compressive Sampling Approach for Polynomial Chaos Expansions
提出了一种有效的多项式混沌展开的稀疏恢复方法,通过打破问题的维数来提高问题的稀疏性。所提出的算法逐步探索子维扩展的稀疏恢复,并显示出成功时,去除无影响的参数,导致测量矩阵的相干性较低,允许更高的顺序和/或稀疏的扩展被恢复。增量算法有效地搜索稀疏的PC近似,不仅可以减小预测误差,而且可以降低PCE模型的维数。四个数值例子证明了所提出的方法的有效性。从这些例子的结果表明,增量算法大大优于传统的压缩采样方法的PCE,在解决方案的稀疏性和预测误差。
2016-12-02 stat.CO
Global sensitivity analysis in the context of imprecise probabilities (p-boxes) using sparse polynomial chaos expansions
全局敏感性分析旨在确定计算模型的哪些不确定输入参数主要驱动感兴趣的输出量的方差。当输入参数由使用随机变量的古典概率理论建模时,Sobol指数现在常规地应用于这种情况。然而,在许多实际应用中,输入参数受偶然和认知(所谓的多态性)的不确定性,其中不精确的概率表示在过去十年中已经变得流行。在本文中,我们认为,不确定的输入参数的参数概率箱(P盒)建模。我们提出区间值(所谓的不精确)Sobol指数作为其经典定义的扩展。基于增广空间、等概率变换和稀疏多项式混沌展开的概念,设计了一种新的算法,以极低的代价计算这些不精确的Sobol指数。特别是,幻影点被引入,以建立一个试验设计在增强空间(必要的稀疏PCE的校准),这导致了一个聪明的重复使用运行的原始计算模型。三个分析和工程的例子,它允许一个验证所提出的算法对蛮力双环蒙特卡罗模拟的方法说明。
2017-05-29 stat.CO stat.ME
Stochastic Optimization using Polynomial Chaos Expansions
基于多项式混沌的方法使得在复杂模型中存在输入不确定性的情况下能够有效地计算输出变化。因此,它们被广泛用于通过各种物理系统传播不确定性。这些方法也被用来建立代理模型,以加速逆不确定性量化(从数据中推断模型参数)和构建运输地图。在这项工作中,我们探讨了使用多项式混沌为基础的方法优化功能的存在的不确定性。这些方法使不确定性通过光滑系统快速传播。如果随机参数的维数较低,这些方法提供的数量级加速超过蒙特卡罗采样。我们构建了一种基于广义多项式混沌的方法,用于在存在从\emph{known}分布中提取的随机参数的情况下优化光滑函数。通过使用正交多项式扩展优化变量,随机最优化问题简化为提供输出分布的所有矩的估计的确定性问题。因此,该方法使得能够避免计算上昂贵的基于随机采样的方法,诸如蒙特卡罗和拟蒙特卡罗方法。在这项工作中,我们开发的整体框架,推导出误差界,构建的框架,包括约束,分析的方法的各种属性,并证明所提出的技术说明性的例子。
2020-09-17 math.OC math.PR stat.CO
A Near-Optimal Sampling Strategy for Sparse Recovery of Polynomial Chaos Expansions
在有限的模拟样本条件下,压缩采样已成为构造多项式混沌代理的一种常用方法。最初,这些昂贵的模拟样本将在参数空间中的随机位置处获得。后来证明,样本位置的选择可能会显着影响所产生的替代品的准确性。这激发了新的采样策略或实验设计方法,如相干最佳采样,其目的是提高相干性。在本文中,我们提出了一种采样策略,可以确定接近最佳的采样位置,导致局部相干性的改善,也增强了测量矩阵的互相关特性。我们提出的采样策略的理论动机,以及几个数值例子表明,我们的近最佳采样策略产生更准确的结果,相比其他采样策略。
2017-11-07 stat.CO
Efficient Uncertainty Quantification and Sensitivity Analysis in Epidemic Modelling using Polynomial Chaos
在政治决策过程和COVID-19(以及其他流行病)的控制中,数学模型发挥着重要作用。理解和量化模型及其预测中的不确定性至关重要,以便做出正确的决策并可信地传达结果和局限性。我们建议使用广义多项式混沌的有效框架对SIR型模型进行不确定性量化。通过基于丹麦Covid-19传播数据的两个特定案例研究,我们证明了该技术的适用性。测试用例与峰值时间估计和超速度相关,并说明了很少的模型评估如何提供有见地的统计数据。
2021-09-10 stat.AP stat.CO
Using sparse polynomial chaos expansions for the global sensitivity analysis of groundwater lifetime expectancy in a multi-layered hydrogeological model
该研究利用多项式混沌展开计算Sobol'指数的一个全球敏感性分析的框架内的水分散参数在一个简化的垂直横截面的一段地下巴黎盆地。应用保守的范围内,在78个输入变量的不确定性传播后的平均寿命预期的水分子离开一个特定的位置在一个高度封闭的层位于模型域的中间。预期寿命是与地下污染物(如放射性核素)安全分析有关的水文地质性能指标。敏感性分析表明,平均预期寿命的变化可以充分解释的岩相,\ie的孔隙度和水力传导性,只有几个层的模型的不确定性。所获得的结果提供指导,在未来的调查采用详细的数值模型的巴黎盆地地下的不确定性建模。此外,研究表明,稀疏多项式混沌展开在计算高维模型的Sobol'指数的高效率。
2015-11-23 stat.AP stat.CO
Principal component analysis and sparse polynomial chaos expansions for global sensitivity analysis and model calibration: application to urban drainage simulation
本文提出了一种有效的替代建模策略,用于水文模型的不确定性量化和贝叶斯校准。特别是,被认为是一个基于过程的动态城市排水模拟器,预测从集水区在降水事件的排放。案例研究的目的是进行全局敏感性分析,并识别未知的模型参数以及测量和预测误差。这些目标只能通过降低计算成本来实现,也就是说,减少必要的模型运行次数。考虑到这一点,提出了一种利用规则的元建模技术,使快速的不确定性量化。利用主成分分析对输出进行降维,并利用稀疏多项式混沌展开对降维后的输出进行仿真。Sobol灵敏度指数直接由展开系数通过简单的后处理获得。通过马尔可夫链蒙特卡罗后验抽样的贝叶斯推断大大加快。
2019-11-13 stat.CO
Least Squares Polynomial Chaos Expansion: A Review of Sampling Strategies
随着非机构多项式混沌展开(PCE)技术在研究人员中越来越受欢迎,我们在这里提供了一个全面的审查主要的抽样策略,最小二乘为基础的PCE。传统的抽样方法,如蒙特卡罗,拉丁超立方体,准蒙特卡罗,最优实验设计(ODE),高斯求积,以及最近的技术,如相干最优和随机求积进行了讨论。我们还提出了一种混合采样方法,称为字母一致性最优,采用所谓的字母最优标准的上下文中使用的ODE与一致性最优样本。所选择的采样方法应用到三个数值例子,包括高阶PCE的,高维问题,和低过采样率的经验性能之间的比较,提供了一个路线图,为从业者寻求最合适的采样技术的问题在手。我们观察到,相干最优技术优于其他采样方法,特别是当高阶常微分方程和/或过采样率低。
2017-06-23 math.PR stat.CO
Sparse polynomial chaos expansions of frequency response functions using stochastic frequency transformation
频率响应函数对于评估随机线性动态系统的行为是非常重要的。对于大型系统,它们的评估是耗时的,即使是一个单一的模拟。在这种情况下,通过粗略的蒙特卡罗模拟进行不确定性量化是不可行的。在本文中,我们提出了使用稀疏自适应多项式混沌展开(PCE)作为替代的完整模型。为了克服已知的限制PCE时,应用于FRF模拟,我们提出了一种频率变换策略,最大限度地提高FRF之间的相似性之前的PCE代理的计算。该策略导致每个频率的低阶PCE。然后采用主成分分析来减少随机输出的数量。所提出的方法被应用到两个案例研究:一个简单的2-DOF系统和一个6-DOF系统与16个随机输入。结果的准确性评估表明,该方法可以准确地预测单个FRF。此外,它表明,由PCE获得的FRF的前两个时刻收敛到参考结果比蒙特卡洛(MC)方法更快。
2017-03-22 stat.CO
Basis Adaptive Sample Efficient Polynomial Chaos (BASE-PC)
对于一大类正交基函数,最近已经确定了用于计算感兴趣的量的精确、稳定近似的展开方法。本文提出了,在不确定性量化的背景下,一个实际的实施,使用的基础自适应,和一致性动机的采样,在假设下有令人满意的保证。这种实现被称为基自适应样本有效多项式混沌(Basis Adaptive Sample Efficient Polynomial Chaos,BASE-PC)。一个关键组成部分,这是使用各向异性多项式阶,承认不断发展的全球基地近似在一个有效的方式,导致一贯稳定的近似一个实际的光滑泛函类。这种完全自适应的非侵入式方法,不需要先验信息的解决方案,并有令人满意的理论保证恢复。稳定性的一个关键贡献是使用所提出的校正采样的相干性最佳采样,以提高自适应基础方案内的稳定性和准确性。理论上,该方法可以显着降低函数逼近中维数的影响,数值计算表明,该方法在维数高达1000的问题上表现良好。
2017-02-03 math.PR math.ST stat.CO
Surrogate models for oscillatory systems using sparse polynomial chaos expansions and stochastic time warping
多项式混沌展开(PCE)已被证明是有效的,在一些领域传播参数的不确定性,通过计算模型的复杂系统,即结构和流体力学,化学反应和电磁学等问题,涉及振荡,时间依赖性的输出量的兴趣,这是众所周知的,合理的精度PCE为基础的方法是难以达到在长期内。在本文中,我们提出了一个完全非侵入性的方法,基于随机时间弯曲来解决这个问题:模型响应的每个实现(轨迹)首先被重新缩放到自己的时间尺度,以便将所有采样的轨迹在一个共同的虚拟时间线的相位。引入主成分分析来压缩这些变换后的轨迹中所包含的信息,并且使用最小角度回归的稀疏PCE表示最终用于近似分量。该方法显示出非常小的预测误差为特定的轨迹,以及后者的二阶顺序统计量。它说明了不同的基准问题,众所周知,在文献中的时间相关的PCE问题,从刚体动力学,化学反应,强迫振荡的非线性系统。
2017-04-12 stat.CO
A General Framework for Enhancing Sparsity of Generalized Polynomial Chaos Expansions
Pacific Northwest National Laboratory(太平洋西北国家实验室);Louisiana State University(路易斯安那州立大学);University of California, Berkeley(加州大学伯克利分校);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
本文提出了一种通用框架,通过交替方向法迭代旋转来识别新的随机变量,从而提高不确定性表示的稀疏性,提高了压缩感知不确定性量化方法的效率和准确性,并展示了该方法在求解随机偏微分方程和高维问题中的有效性。
2018-11-26 cs.NA math.NA stat.CO
Non-intrusive polynomial chaos expansion for topology optimization using polygonal meshes
本文研究了随机谱方法在不确定性结构拓扑优化中的应用。一个非侵入多项式混沌扩展集成到拓扑优化算法计算低阶统计矩的力学数学模型的响应。该过程被称为鲁棒拓扑优化,可以优化柔度的平均值,同时最小化其标准差。为了解决施加到感兴趣的机械系统的负载中的可能的变化性,假定外力的大小和方向是不确定的。在这个概率框架中,力被描述为一个随机场或一组随机变量。通过Karhunen-Loève和多项式混沌展开有效地完成了随机对象的表示和负载不确定性通过模型的传播。我们利用使用多边形元素,这已被证明是有效的抑制棋盘图案和减少网格依赖的拓扑优化问题的解决方案。通过几个拓扑优化算例验证了该方法的准确性和适用性。结果表明,荷载不确定性在结构系统优化设计中起着重要的作用,因此必须考虑荷载不确定性,以保证优化过程的可靠性。
2021-07-14 cs.CE cs.NA math.NA
Simulation of stochastic systems via polynomial chaos expansions and convex optimization
Politecnico di Torino(都灵理工大学);University of California at Santa Barbara(加州大学圣塔芭芭拉分校);ETH Zurich(苏黎世联邦理工学院)
提出一种基于凸优化的计算高效方法,通过特定加权矩阵的正则化技术计算多项式混沌展开系数,避免模型操作,适用于高维随机变量和少量蒙特卡洛模拟。
2012-11-10 cs.SY eess.SY math-ph
Bi-fidelity Reduced Polynomial Chaos Expansion for Uncertainty Quantification
在设计空间探索或复杂工程问题的不确定性量化中,一个普遍存在的挑战是计算成本的最小化。一个有用的工具,以减轻负担,解决这样的系统是模型简化。本文考虑了一种随机模型降阶法(SMR),在多项式混沌(PC)展开的背景下,利用低保真(LF)样本形成一个随机降阶基。减少的基础使得能够从少量的高保真度(HF)样本构建感兴趣的量的双保真度(BF)估计。一个成功的BF估计近似感兴趣的数量与HF模型的精度和计算费用接近LF模型。我们开发了新的误差界的SMR方法,并提出了一个程序,实际利用这些界限,以评估适当的一对LF和HF模型BF估计。SMR方法的有效性,和效用的误差界的三个数值例子。
2021-04-15 cs.NA math.NA stat.CO
Polynomial meta-models with canonical low-rank approximations: numerical insights and comparison to sparse polynomial chaos expansions
ETH Zurich(苏黎世联邦理工学院)
本文探讨了规范低秩近似在高维问题中构建多项式元模型的效率,展示了其在小样本情况下优于稀疏多项式混沌展开的性能。
2016-04-15 cs.NA math.NA stat.CO
Compressive Sensing with Cross-Validation and Stop-Sampling for Sparse Polynomial Chaos Expansions
压缩感知是一种用于恢复欠定线性系统稀疏解的强大技术,这在昂贵的高维物理模型的不确定性量化分析中经常遇到。我们进行数值研究,采用几个压缩传感求解器,目标无约束LASSO制定,重点是线性系统中出现的多项式混沌展开的建设。利用l1_ls,SpaRSA,CGIST,FPC_AS和ADMM的核心求解器,我们开发了通过基于交叉验证的正则化常数的自动选择来减轻过拟合的技术,以及指导停止采样决策的启发式策略。这些技术的参数设置的实用建议,并进行了讨论。整体方法适用于一系列的数值例子越来越复杂,包括大涡模拟的超音速湍流射流在横流涉及24维输入。通过经验相变图和收敛图,我们说明了稀疏恢复性能的多项式混沌,精度和不同程度的多项式基之间的计算权衡,以及进行压缩传感的现实,高维物理应用的实用性引起的结构。在本文研究的测试案例中,我们发现ADMM通过一致的较低误差和更快的计算时间证明了经验优势。
2018-06-26 cs.IT math.IT physics.comp-ph