Efficient Calibration for Imperfect Computer Models
许多计算机模型包含未知参数，需要使用物理观测来估计。Kennedy和O 'Hagan（2001）指出，Kennedy和O' Hagan（2001）提出的基于高斯过程模型的校准方法可能导致对不完美计算机模型的不合理估计。在这项工作中，我们将他们的研究扩展到随机物理数据的校准问题。我们提出了一种新的方法，称为$L_2$校准，并显示其半参数效率。本文还研究了常规的最小二乘法。理论分析表明，它是一致的，但不是有效的。数值算例表明，该方法优于现有的方法。
2015-07-27 stat.ME
A theoretical framework for calibration in computer models: parametrization, estimation and convergence properties
确定性计算机实验中的校准参数是那些在物理实验中无法测量或可用的属性。Kennedy和O 'Hagan \cite{kennedy2001bayesian}提出了一种利用物理实验和计算机模拟的数据来估计它们的方法。给出了一个理论框架，使我们能够研究参数可识别性和估计的问题。我们将校准的$L_2$ -一致性定义为校准方法的合理性。结果表明，原来的KO方法的简化版本导致渐近$L_2$ -不一致的校准。这种$L_2$不一致性可以通过修改原始估计过程来补救。提出了一种新的校准方法，称为$L_2$校准，并证明是$L_2$一致的，并享有最佳的收敛速度。通过一个数值例子和一些数学分析来说明$L_2$ -不一致问题的根源。
2015-08-28 stat.ME
Adjustments to Computer Models via Projected Kernel Calibration
计算机仿真中的模型参数辨识是计算机实验中的一个重要课题。我们提出了一种新的方法，称为投影核校准方法，估计这些模型参数。该方法被证明是渐近正态和半参数有效的。作为一种频率论方法，所提出的方法是有效的$L_2$校准方法提出的Tuo和吴[安。43（2015）2331-2352]。另一方面，所提出的方法具有自然贝叶斯版本，这是$L_2$方法所不具有的。该贝叶斯版本允许用户计算校准参数的可信区域，而无需使用大样本近似。我们还指出，Kennedy和O 'Hagan [J. R. Stat. Soc. Ser. B. Stat.美沙酮63（2001）425-464]可以通过简单修改核矩阵来校正。
2017-05-09 stat.ME
Another Look at Statistical Calibration: A Non-Asymptotic Theory and Prediction-Oriented Optimality
我们提供了另一个看在计算机模型中的统计校准问题。这一观点的灵感来自于计算机模型的两个重要的实际考虑：（i）许多计算机模型不足以完美地模拟物理系统，即使是最佳的校准参数;（ii）只有有限数量的数据点可从与计算机模型相关的物理实验中获得。根据这种新的思路，我们提供了一个非渐近理论，并推导出一个面向预测的校准方法。我们的校准方法最大限度地减少了预测均方误差为一个有限的样本量与统计保证。我们介绍了一种算法来执行所提出的校准方法，并将其连接到现有的贝叶斯校准方法。合成和真实的例子来证实推导的理论和说明所提出的校准方法的一些优点。
2018-09-24 stat.ME
A Frequentist Approach to Computer Model Calibration
本文考虑了计算机模型校正问题，并给出了一个通用的频率论解法。在所提出的框架下，数据模型是半参数的，具有非参数差异函数，该函数考虑了物理现实和计算机模型之间的任何差异。在试图解决一个根本上重要的（但往往被忽视）的计算机模型参数和差异函数之间的可识别性问题，本文提出了一种新的和可识别的参数化的校准问题。它还开发了一个两步程序，用于估计新参数化下的所有相关量。这种估计过程被证明是享受良好的收敛速度，可以直接实现与现有的软件。对于不确定性量化，采用自举法构造感兴趣量的置信区域。所提出的方法的实际性能示出通过模拟的例子和应用程序的计算流体动力学模型。
2015-09-11 stat.ME
Penalized Projected Kernel Calibration for Computer Models
投影核校正是一种新提出的频率校正方法，具有渐近正态性和半参数性。它的损失函数通常被称为PK损失函数。本文证明了PK损失函数的一致收敛性，并证明了：（1）当样本量较大时，真实过程和计算机模型之间的$L_2$损失的任何局部极小点和局部极大点都是PK损失函数的局部极小点;（2）PK损失函数的所有局部极小点收敛于同一个值。这些理论结果意味着，它是非常困难的投影核校准，以确定全球最小的$L_2$损失，即校准参数的最佳值。针对这一问题，本文提出了一种基于频率论的投影核校正方法，并对其进行了详细的分析。我们证明了所提出的方法是有效的投影核校准方法。通过一组广泛的数值模拟，和一个真实世界的案例研究，我们表明，所提出的校准方法可以准确地估计校准参数。我们还表明，它的性能优于其他校准方法，无论样本量。
2022-08-09 stat.ME
Calibration for computer experiments with binary responses and application to cell adhesion study
标定是指对计算机实验中存在而物理实验中不存在的未知参数的估计。这些参数的准确估计是重要的，因为它提供了对物理实验中无法获得的基本系统的科学理解。文献中的大部分工作仅限于对连续响应的分析。出于细胞粘附实验的研究，我们提出了一个新的校准框架的二进制响应。它的应用程序的T细胞粘附数据提供了洞察的动力学参数的未知值，这是很难确定的物理实验，由于现有的实验技术的限制。
2019-03-20 stat.ME
Diffeomorphic registration distances for Bayesian calibration of infinite-dimensional computer models
CEA, DAM, DIF（法国原子能和替代能源委员会，核能部，核研究与发展局）
本文提出利用LDDMM框架中的diffeomorphic距离进行贝叶斯校准，以处理无限维输出空间中的参数不确定性，提供可解释的校准方法。
2026-07-03 stat.ME
Multivariate emulation of computer simulators: model selection and diagnostics with application to a humanitarian relief model
我们提出了一个共同的框架贝叶斯仿真方法的多变量输出模拟器，或计算机模型，采用参数线性模型或非参数高斯过程。新型诊断适合多元协方差可分离仿真器的开发和技术，以提高仿真器的充分性进行了讨论和实施。各种仿真器进行比较的人道主义救济模拟器，模拟援助任务后，西西里岛火山爆发和地震，并进行敏感性分析，以确定敏感性的模拟器输出的输入变量的变化。从参数和非参数仿真器的结果进行比较，在预测精度，不确定性量化和科学的可解释性。
2015-11-17 stat.ME
On the Bayesian calibration of expensive computer models with input dependent parameters
计算机模型旨在模拟复杂的真实系统，通常根据数据进行校准以提高性能。标准校准方法假设校准参数的最优值对模型输入是不变的。在一些现实世界的应用中，模型涉及复杂的参数化，其最佳值取决于模型的输入，这样的假设可能过于限制，并可能导致误导性的结果。我们提出了一个完全贝叶斯方法，产生输入相关的校准参数的最佳值，以及它的特点通过后验分布的相关不确定性。方法的核心是将校准参数制定为阶跃函数的思想，该阶跃函数的不确定结构通过二叉树过程适当地建模。我们的方法是特别适合于解决问题的计算机模型需要选择一个子模型从一组竞争的，但选择的“最好的”子模型可能会改变与输入值。该方法为给定输入的每个子模型产生选择概率。我们提出了合适的可逆跳跃操作，以方便具有挑战性的计算。我们评估了我们的方法对基准示例的性能，并用它来分析一个现实世界的应用程序与大规模的气候模型。
2017-08-31 stat.ME
Calibration of Complex Computer Simulators using Likelihood Emulation
我们校准了一个自然历史模型，这是一种用于医疗行业的计算机模拟器，在这里已经被用来计算英国的肠癌发病率。该模拟器跟踪了一个人样本中肠癌的发展，其输出主要按患者年龄和肠癌类型对肠癌发生率进行分层。它的输出依赖于25个未知的输入，我们需要校准。为了做到这一点，我们必须解决，不仅是输出计数数据，但它也是随机的，由于模拟过程。我们无法单独使用蒙特卡罗方法来实现模拟器的校准，因为它具有“中等”的计算费用。为了实现可靠的校准，我们还必须指定其差异：当校准时，它与现实有何不同。我们提出了一种校准方法，结合了似然函数与重要性抽样的统计仿真器。仿真器提供输入的临时样本，在该样本处运行仿真器，由此计算可能性。然后使用重要性抽样来重新加权输入并提供校准输入的最终样本。重新计算重要性权重几乎不会产生计算成本，因此我们可以轻松地研究不同的差异规范如何影响校准。
2014-10-28 stat.ME
Uncertainty quantification for computer models with spatial output using calibration-optimal bases
使用不确定性量化（UQ）方法校准复杂的计算机代码是统计方法学发展的一个丰富领域。当将这些技术应用于具有空间输出的模拟器时，现在标准的是使用主成分分解来减少输出的维度，以便允许高斯过程模拟器预测用于校准的输出。我们介绍了“终端的情况下”，在该模型不能复制的观测模型内的差异，并在UQ的标准校准方法未能给出合理的结果。我们表明，即使模型没有这样的问题，对输出的标准分解也可以而且通常会导致终端案例分析。我们提出了一个简单的测试，让医生来确定他们的实验是否会导致终端的情况下分析，并定义校准最佳基地，避免这种情况下，它是不可避免的方法。我们提出的最佳旋转算法，这样做，并证明其有效性的理想化的例子，通常的主成分方法失败。我们将这些想法应用到CanAM4模型中，以证明气候模型中出现的终端案例问题。我们讨论气候模式调整和模型差异的估计在这方面，并显示如何最佳旋转算法可以用于开发实用的气候模式调整工具。
2018-06-01 stat.ME
Feature calibration for computer models
针对高维输出计算机模型校准中线性子空间比较无法捕捉关键物理现象的问题，本文提出基于核的历史匹配（KHM）方法，将输出和观测投影到高维特征空间以在位置可变情况下比较模式，并给出专家驱动的核选择算法，成功应用于法国气候模型 IPSL-CM 的边界层云校准。
2023-10-29 stat.ME
Efficient calibration for high-dimensional computer model output using basis methods
具有高维输出场的昂贵计算机模型的校准可以通过历史匹配来实现。如果整个输出字段都匹配，并且位置或时间点之间的模式或相关性被表示，则计算单个输入设置的观测数据和模型输出之间的距离度量需要对高维矩阵进行时间密集型求逆。通过使用一个低维的基础表示，而不是单独模拟每个输出，我们定义了一个度量在减少的空间，允许该字段的不可信性被有效地计算，只需要小的矩阵求逆，使用投影，这是一致的方差规格的不可信性。我们表明，使用$L_2$规范的投影可能会导致不同的结论，点的顺序不保持的基础上，历史匹配和概率方法的影响。我们证明了我们的方法的可扩展性，通过历史匹配的加拿大大气模型，CanAM4，比较基础的方法，每个输出单独的仿真，基础的方法可以更准确，同时也更有效。
2019-06-13 stat.ME
A composite likelihood approach to computer model calibration using high-dimensional spatial data
计算机模型用于模拟各种学科中的复杂过程。通常，复杂计算机模型的行为中的不确定性的关键来源是由于未知的模型输入参数引起的不确定性。统计计算机模型校准是从物理过程的观测和各种参数设置下的模型输出推断模型参数值以及相关不确定性的过程。观测和模型输出通常是以高维空间场的形式出现的，特别是在环境科学中。在这种情况下，合理的统计推断可能在计算上具有挑战性。在这里，我们介绍了一种复合似然为基础的方法来执行计算机模型校准与高维空间数据。虽然复合似然在空间统计学的背景下被广泛研究，但使用复合似然的计算机模型校准提出了几个新的挑战。我们提出了一个计算效率的方法贝叶斯计算机模型校准使用复合似然。我们还开发了一种基于渐近理论的方法，用于调整复合似然后验分布，使其准确地表示后验不确定性。我们研究了我们的新方法在气候模型校准的背景下的应用。
2013-07-31 stat.CO stat.ME
Bayesian Calibration of Computer Models with Informative Failures
将计算机模型与实验数据进行校准有许多实际困难。一个这样的复杂性是校准输入的某些组合可能导致代码输出缺乏基本属性的数据，甚至根本不产生输出。在许多情况下，研究人员希望或需要在他们的分析中排除这些“失败”的可能性。我们提出了一个贝叶斯（Meta）模型，其中校准参数的后验分布自然排除了对应于失败运行的输入空间区域。也就是说，我们定义了一个统计选择模型来严格耦合二进制分类和计算机模型校准的不相交问题。我们证明了我们的方法使用的数据从碳捕获实验中的计算流体动力学的数值容易不稳定。
2020-06-13 stat.AP stat.ME
Functional Calibration under Non-Probability Survey Sampling
非概率抽样是调查抽样中普遍存在的一种抽样方法，忽视其选择偏差会导致错误的推断。通过在再生核Hilbert空间中标定辅助变量的函数，给出了一种统一的非参数标定方法来估计非概率样本的抽样权重。建立了估计量的相合性和极限分布，并研究了相应的方差估计量。与现有的工作相比，所提出的方法是更强大的，因为没有参数假设的非概率样本的选择机制。数值结果表明，所提出的方法优于其竞争对手，特别是当模型是错误的。所提出的方法被应用于分析韩国公民的平均总胆固醇的基础上的非概率样本从国民健康保险共享服务和韩国国民健康和营养检查调查的参考概率样本。
2022-04-20 stat.ME
A Reproducing Kernel Hilbert Space Approach to Functional Calibration of Computer Models
本文提出了一种功能校准问题的频率论解决方案，其中允许计算机模型中的校准参数的值随物理系统中的控制变量的值而变化。功能校准的需要是由工程应用的动机，其中使用恒定的校准参数的结果在从计算机模型和物理实验的输出之间的显着不匹配。再生核希尔伯特空间（RKHS）被用来模拟最佳校准函数，定义为校准参数和控制变量之间的函数关系，给出最佳的预测。这个最佳的校准函数估计通过惩罚最小二乘与RKHS范数惩罚和使用物理数据。一个不确定性量化程序也开发了这样的估计。所提出的方法的理论保证提供的预测一致性和一致性估计的最佳校准函数。所提出的方法进行了测试，使用真实和合成数据，并表现出更强大的性能，在预测和不确定性量化比现有的参数功能校准方法和最先进的贝叶斯方法。
2021-07-17 stat.AP stat.ME
Statistical Testing for Conditional Copulas
在条件Copula模型中，Copula参数通过校准函数确定性地链接到协变量。后者是推理的核心兴趣，通常是非参数估计。然而，当校准函数的参数模型是适当的，所得到的估计量表现出显着的收益，统计效率，需要较小的计算成本。我们开发的方法来测试一个参数制定的校准函数对一般的替代品，并提出了一个广义的似然比型测试，使条件Copula模型诊断。我们推导出该检验的渐近零分布，并通过仿真研究了其有限样本性能。该方法适用于两个数据的例子。
2012-04-30 stat.ME
Optimal One-pass Nonparametric Estimation Under Memory Constraint
对于流式设置中的非参数回归，其中数据不断流入并需要实时分析，主要挑战是由于有限的计算机内存和存储，数据一旦处理就从计算机系统中清除。我们提出了一种新的单通估计的基础上惩罚正交基扩展和开发一个通用的框架来研究统计效率和内存消耗的估计之间的相互作用，以应对挑战。我们证明了，所提出的估计器是统计最优的内存约束下，并具有渐近最小的内存足迹之间的所有单通估计的相同的估计质量。数值研究表明，所提出的一次通过估计是几乎一样有效的，其非流对应的访问所有的历史数据。
2022-08-18 math.ST stat.ME stat.TH
An Introduction to the Calibration of Computer Models
本文综述了计算机模型校准的决策过程与计算方法，重点介绍了如何通过观测数据估计未知参数，并利用多种计算手段获得贝叶斯后验分布。
2023-10-13 stat.CO stat.ME
Computer Model Calibration using the Ensemble Kalman Filter
集合卡尔曼滤波器（EnKF）（Evensen，2009年）已被证明可以有效地量化许多具有挑战性的动态、状态估计或数据同化问题（如天气预报和海洋建模）中的不确定性。在这些问题中，一个高维的状态参数连续更新的基础上反复出现的物理观测，与一个计算要求的前向模型，propagates状态从一个时间步到下一个的帮助。最近，EnKF在石油工程界的历史匹配中被证明是有效的（Evensen，2009年; Oliver和Chen，2010年）。这些应用通常涉及估计大量参数，描述油藏，使用随时间积累的生产历史数据。这样的历史匹配问题是计算机模型校准的特别具有挑战性的示例，因为它们涉及大量的模型参数以及计算要求高的正演模型。更一般地，计算机模型校准将物理观测与计算模型（计算机模型）相结合，以估计计算机模型中的未知参数。本文探讨了如何EnKF可以用于计算机模型校准问题，比较它与其他更常见的方法，考虑在气候和宇宙学的应用。
2012-04-23 stat.CO stat.ME
Non-Parametric Model Calibration with Stochastic Control Parameters
Simon Fraser University（西蒙菲莎大学）；Carleton University（卡尔顿大学）
研究如何用非参数技术校准计算机模型，输入含校准参数和控制参数。基于测度分解和贝叶斯推理，给出与观测数据一致且保留控制参数分布的输入空间分布估计。
2026-07-21 stat.ME
Variational Calibration of Computer Models
EURECOM（欧洲通信研究院）
黑盒计算机模型的贝叶斯校准提供了一个既定的框架，以获得模型参数的后验分布。传统的贝叶斯校准涉及计算机模型的仿真和使用高斯过程的加性模型差异项;然后使用MCMC进行推断。这些选择提出了计算和统计的挑战和限制，我们克服了提出使用近似深高斯过程和变分推断技术。其结果是一个实用的和可扩展的框架校准，获得竞争力的性能相比，国家的最先进的。
2018-10-29 cs.LG stat.AP stat.ME
Bayesian Projected Calibration of Computer Models
我们开发了一种贝叶斯方法，称为贝叶斯投影校准，以解决校准一个不完美的计算机模型，使用观测数据从一个复杂的物理系统的问题。校准参数和物理系统通过$L_2$投影以可识别的方式参数化。物理过程被分配一个高斯过程先验，这自然会导致通过$L_2$投影约束的校准参数的先验分布。通过校正参数的后验分布估计校正参数，为不确定度的量化提供了一种自然的、非渐近的方法。我们提供了一个严格的大样本的理由，所提出的方法，通过建立有效的协方差阵的校准参数的后验的渐近正态性。此外，设计了两种基于随机逼近的有效计算算法，并给出了理论保证。通过广泛的模拟研究和两个真实世界的数据集分析，我们表明，贝叶斯投影校准可以准确地估计校准参数，适当地校准计算机模型，并与其他方法相比。
2019-02-07 math.ST stat.ME stat.TH
Prior distributions for Gaussian processes in computer model emulation and calibration
针对计算机模型仿真与校准中高斯过程参数的MLE在小样本下不稳定的问题，本文提出适用于标量和向量输出的默认贝叶斯先验，并综述相关校准先验进展与软件工具。
2025-03-15 stat.AP stat.ME
Coupling material and mechanical design processes via computer model calibration
计算机模型校准通常通过选择计算机模型中的参数值来操作，使得模型输出忠实地预测现实。通过使用性能目标代替观察到的数据，我们表明，校准技术可以被重新利用到工程和材料设计，这两个过程，传统上是分开进行的。这使得材料设计时考虑到特定的工程目标，同时量化相关的不确定性来源。我们证明了我们提出的方法，通过“校准”材料设计设置为风力涡轮机叶片的性能目标。
2020-01-13 stat.AP stat.ME stat.ML
Orthogonal calibration via posterior projections with applications to the Schwarzschild model
本文针对Schwarzschild轨道叠加模型的多变量输出校准问题，提出基于后验投影与正交偏差函数的贝叶斯校准方法，利用Hilbert空间理论保证参数可识别性，并用BART先验验证其能解决单变量校准的差异。
2025-06-05 stat.ME
A computational validation for nonparametric assessment of spatial trends
连续空间变化过程的分析通常考虑两个变化源，即由过程趋势收集的大尺度变化和小尺度变化。关于纬度和经度的参数趋势模型易于拟合和解释。然而，使用简单的参数模型表征空间变化的过程可能会导致错误的问题，如果模型是不合适的。最近，Meilán-Vila等人（2019）提出了一种基于L2距离的拟合优度检验，用于评估随机设计下具有相关误差的参数趋势模型，比较参数和非参数趋势估计量。目前的工作旨在提供一个详细的计算分析的行为，这种方法使用不同的引导算法进行校准，在一个固定的设计地质统计框架。渐近结果的测试和广泛的模拟研究，考虑到地质统计学中通常出现的复杂性，进行了说明的建议的性能。
2020-02-13 stat.CO stat.ME
Causal isotonic calibration for heterogeneous treatment effects
University of Washington（华盛顿大学）；University of Pennsylvania（宾夕法尼亚大学）
针对异质性处理效应预测器的校准问题，提出非参数因果等渗校准及无需留出集的交叉校准，并证明其在弱条件下具有快速双重稳健速率和无分布保证。
2023-06-06 cs.LG stat.ME stat.ML
Computer Model Calibration with Time Series Data using Deep Learning and Quantile Regression
University of Cincinnati（辛辛那提大学）；Miami University（迈阿密大学）；Argonne National Laboratory（阿贡国家实验室）
计算机模型在许多科学和工程问题中起着关键作用。计算机模型实验中不确定性的一个主要来源是输入参数不确定性。计算机模型校正是一个正式的统计过程，通过结合来自模型运行和观测数据的信息来推断输入参数。当模型输出和观测数据是高维相关数据（例如大型时间序列）时，现有的标准校准框架由于难以构建仿真器以及输入参数和数据-模型差异的影响之间的不可识别性而遭受推理问题。为了克服这些挑战，我们提出了一个新的校准框架的基础上，深度神经网络（DNN）的长期短期记忆层，直接模拟模型输出和输入参数之间的反比关系。采用“带噪声学习”的思想，我们训练我们的DNN模型，以过滤数据模型差异对输入参数推断的影响。我们还制定了一种新的方法来构建区间预测DNN使用分位数回归量化输入参数估计的不确定性。通过WRF水文模型的模拟研究和实际数据应用，我们表明，我们的方法可以得到准确的点估计和良好的校准输入参数的区间估计。
2020-09-08 cs.LG stat.ME stat.ML
Computer model calibration based on image warping metrics: an application for sea ice deformation
北极海冰在全球气候中起着重要作用。海冰模型由物理方程控制，用于模拟冰的状态，包括冰的厚度、浓度和运动等特性。最近的模型也试图捕捉冰中的裂缝或铅等特征。与观测数据相比，这些模拟特征可能部分错位或畸形，无论是由于数值近似还是不完整的物理。为了作出切合实际的预测和提高对基本过程的理解，有必要根据现场数据校准数值模型。基于广义最小二乘度量的传统校准方法对于海冰裂缝等线性特征存在缺陷。我们开发了一个统计仿真和校准框架，占功能错位和畸形，这涉及到最佳对齐模型输出与观察到的功能，使用最先进的图像配准技术。这项工作也可以应用到其他产生相干结构的物理模型。
2019-01-24 stat.AP stat.ME
Root Finding and Metamodeling for Rapid and Robust Computer Model Calibration
本文提出基于符号残差的近似方法，结合kriging和随机kriging元模型，开发了改进的根寻找框架，通过新的获取函数提升校准效率和鲁棒性。
2026-03-24 cs.CE stat.ME
On-site surrogates for large-scale calibration
从石油和天然气行业的计算机模型校准问题，涉及蜂窝密封的设计的启发，我们开发了一种新的贝叶斯方法，以应付在规范的设备源于几个因素的限制。我们提出了一种新的策略，现场设计和代理建模的计算机模拟器作用于一个高维的输入空间，虽然相对较快，是容易出现数值不稳定性，缺失数据，和非平稳动态。我们的目标是在校准框架中实现数据忠实建模和计算易处理性之间的平衡-将计算机模型定制为有限的现场实验。将我们的现场替代物置于规范校准装置内需要更新该框架。我们描述了一种新颖而直观的贝叶斯设置，仔细分解，否则禁止大矩阵，利用稀疏块结构。实证说明，这种方法表现良好的玩具数据和我们的激励蜂窝的例子。
2019-07-18 stat.CO stat.ME
Robust Experimental Designs for Model Calibration
只有在确定了一些未知的物理常数（称为校准参数）的值之后，计算机模型才能用于预测输出。未知的校准参数可以通过进行物理实验从实际数据中估计。本文提出了一种优化设计此类物理实验的方法。利用计算机模型对物理实验进行优化设计的问题，类似于对非线性模型进行拟合的最优设计问题。然而，这个问题比现有的非线性优化设计工作更具挑战性，因为模型差异的可能性，也就是说，计算机模型可能不是真正的底层模型的准确表示。因此，我们提出了一个最佳的设计方法，是强大的潜在的模型差异。我们表明，我们的设计是优于常用的物理试验设计，不利用计算机模型中包含的信息和其他非线性优化设计，忽略潜在的模型差异。我们用一个玩具的例子和一个真实的例子来说明我们的方法。
2020-08-02 stat.AP stat.ME
Elastic Multi-Fidelity Bayesian Model Calibration
Sandia National Laboratories（桑迪亚国家实验室）；University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of New Mexico（新墨西哥大学）
本文提出弹性多保真贝叶斯模型校准，通过对齐高、低保真函数输出至共同参考，结合映射或融合策略，在合成与材料问题中提升预测精度并收紧后验。
2026-09-24 stat.ME
Shrinkage-Constrained Functional Calibration for Complex Computer Models
Clemson University（克莱姆森大学）
提出一种新的贝叶斯模型校准方法IBFU，通过将校准参数分解为固定最佳估计和输入空间上的独立高斯过程参数修正，并施加强收缩先验和正交约束，以解决Kennedy-O'Hagan框架在稀疏噪声数据下的正则化不足和混杂问题。
2026-05-28 stat.CO stat.ME
Augmenting a simulation campaign for hybrid computer model and field data experiments
本文针对 KOH 校准框架提出闭式 IMSPE 准则及其梯度，用于序贯获取模拟器数据，实现设计空间空间填充与校准空间集中采样，并在基准问题和稀土元素萃取应用中验证了仿真活动效率的提升。
2024-09-30 stat.ME
Elastic Bayesian Model Calibration
本文提出一种针对未对齐函数数据的贝叶斯模型校准框架，通过生成隔离幅度与相位变化的两类数据实现同时匹配，并在仿真数据与动态材料科学实验中验证了有效性。
2024-09-23 stat.AP stat.ME
Fast Computer Model Calibration using Annealed and Transformed Variational Inference
针对计算机模型校准中传统贝叶斯方法计算成本高、普通变分推断存在边界与局部最优问题，提出嵌入满射变换、带温度退火的深度生成模型变分推断方法，可快速准确完成模型校准。
2024-03-05 stat.AP stat.ME
Multi-output calibration of a honeycomb seal via on-site surrogates
我们考虑大规模的工业计算机模型校准，结合多输出模拟有限的物理观察，参与蜂窝密封的发展。为此，我们采用了一种本地化的采样和仿真策略，称为“现场代理人（OSS）”，旨在应对高维输入，大规模模拟活动和非平稳响应面的合并挑战。在以前的应用中，OSS对于多个输出是一次一个的事务，导致在蜂窝的输出之间的公共参数集的校准努力中的不协调。我们证明了一个主成分表示，适应普通的高斯过程代理建模的OSS设置，可以解决这种紧张局势。通过双管齐下的优化和完全贝叶斯方法，我们展示了跨输出的汇总信息如何减少不确定性，并提高校准参数和预测效率，相对于以前的蜂窝，“数据贫乏”的单变量模拟。
2022-07-15 stat.ME
Computer code validation via mixture model estimation
Université Paris-Saclay, AgroParisTech, INRAE（巴黎萨克雷大学, 农业巴黎技术学院, 法国国家农业食品环境研究院）；INSA Lyon, CNRS, École Centrale Lyon, Université Claude Bernard Lyon 1（里昂国立应用科学学院, 法国国家科学研究中心, 里昂中央理工学院, 里昂第一大学）；EDF R&D PRISME（法国电力集团研发PRISME）
本文提出一种贝叶斯混合模型方法，通过比较纯代码模型与差异校正模型，利用混合权重后验分布及阈值化分配规则，实现计算机代码的全局与局部验证。
2026-09-24 stat.ME
Bayesian Calibration of Imperfect Computer Models using Physics-Informed Priors
NTNU（挪威科技大学）
我们介绍了一个计算效率的数据驱动的框架，适用于量化的物理参数和模型制定的计算机模型，微分方程表示的不确定性。我们构建物理信息先验，这是多输出GP先验，编码模型的结构在协方差函数。这是扩展到一个完全贝叶斯框架，量化的物理参数和模型预测的不确定性。由于物理模型往往是不完美的描述真实的过程中，我们允许模型偏离观察到的数据，考虑差异函数。对于推断，使用哈密顿蒙特卡罗。此外，开发了大数据的近似，将计算复杂度从$\mathcal{O}(N^3)$降低到$\mathcal{O}(N\cdot m^2),$，其中$m \ll N.$我们的方法在模拟和真实数据案例研究中得到证明，其中物理学由时间相关的ODE描述（心血管模型）和时空相关的PDE（热方程）。研究表明，在以下情况下，我们的建模框架可以恢复物理模型的真实参数：1）现实比我们的建模选择更复杂; 2）数据采集过程存在偏差，同时也能产生准确的预测。此外，它表明，我们的方法是计算速度比传统的贝叶斯校准方法。
2023-01-31 cs.LG stat.ME stat.ML
A novel calibration framework for survival analysis when a binary covariate is measured at sparse time points
临床和队列研究的目标通常包括评价时间依赖性二元治疗或暴露与生存结局的相关性。最近，几项有影响力的研究针对服用阿司匹林与结直肠癌诊断后生存率之间的关系。由于手术，阿司匹林服用值在基线时为零，可能在某个时间点变为1。估计这种关联是复杂的，只有间歇性测量阿司匹林服用。简单的、常用的方法可能会导致严重的偏差。我们提出了一类校准模型的分布的状态变化的二元协变量。从这些模型获得的估计，然后纳入比例风险偏似然以自然的方式。我们开发非参数，半参数和参数校准模型，并推导出渐近理论的方法，我们在阿司匹林和结直肠癌的研究中实施。我们的方法允许在校准模型中包括额外的基线变量，用于二元协变量的状态变化时间。我们进一步开发了一种风险集校准方法，该方法在二元协变量与生存率之间的关联较强的情况下更有用。
2018-01-04 stat.AP stat.ME stat.OT
Calibrating a large computer experiment simulating radiative shock hydrodynamics
我们考虑适应一个典型的计算机模型校准装置，涉及耦合高斯过程（GP）仿真器，模拟辐射冲击流体力学的计算机实验是数量级大于通常可以容纳。传统的方法需要成千上万的大型矩阵求逆来评估MCMC方案中的似然性。我们的方法取代了昂贵的理想与节俭采取的基本成分，协同仿真，校准和优化的三个现代思想：本地近似GP回归，模块化和网格自适应直接搜索。新的方法是出于必要性-考虑到我们的特殊应用-和最近的趋势，在超级计算机模拟文献。合成数据应用程序使我们能够探索在受控环境中的几种变化的优点，并与我们激励真实数据实验的结果一起，导致对辐射冲击动力学的显着见解以及校准企业的局限性。
2015-11-05 stat.AP stat.ME
A Gaussian process and linear-based framework for computing cut distributions in modular Bayesian calibration of two chained computer models
Université Paris-Saclay（巴黎萨克雷大学）；CEA（法国原子能和替代能源委员会）；Institut de Mathématiques de Toulouse, Université Paul Sabatier（图卢兹数学研究所，保罗·萨巴蒂尔大学）；Université d’Avignon（阿维尼翁大学）
本文提出一种基于高斯过程和线性方法的框架，用于计算模块化贝叶斯校准中两连环计算机模型的切分布，通过合成示例验证了方法的有效性。
2026-03-16 stat.CO stat.ME
Physical Parameter Calibration
针对现有校准方法因模型可识别性问题无法有效估计物理参数的不足，本文提出一种在温和条件下可识别的差异分解半参数模型，并给出了物理参数和差异的估计量及其渐近性质，数值实验证明其优于现有方法。
2024-01-02 math.ST stat.ME stat.TH
Ice Model Calibration Using Semi-continuous Spatial Data
人类活动造成的地球冰冻圈的迅速变化可能导致重大的环境影响。计算机模型为理解北极和南极冰盖的行为和预测未来提供了有用的工具。然而，这些模型通常受到很大的参数不确定性，由于约束条件差的模型输入参数，控制模拟冰盖的行为。计算机模型校准提供了一个正式的统计框架，使用观测数据推断参数，并量化由于这些参数的不确定性而导致的预测不确定性。冰盖模型的校准往往具有挑战性，因为相关的模型输出和观测数据采用半连续空间数据的形式，点质量为零，正值为右偏连续分布。目前的校准方法无法处理这些数据。在这里，我们介绍了一个分层的潜变量模型，处理二进制空间模式和积极的连续空间模式作为单独的组件。为了克服由于高维性的挑战，我们使用基于似然的广义主成分分析对空间依赖的潜在变量施加低维结构。我们应用我们的方法来校准南极冰盖的物理模型，并证明我们可以克服上述建模和计算的挑战。由于我们的校准，我们得到改进的未来冰量变化预测。
2019-07-31 stat.AP stat.CO stat.ME
Calibrating an ice sheet model using high-dimensional binary spatial data
南极洲西部阿蒙森海部分的冰迅速消退可能导致海平面急剧上升，对低洼沿海地区的人口构成重大风险。对代表南极西部冰盖行为的计算机模型进行校准是对未来海平面上升进行信息预测的关键。然而，无论是相关的观察和模式输出的高维二进制空间数据，现有的计算机模型校准方法无法处理这样的数据。在这里，我们提出了一种新的计算机模型，其输出是在二进制空间数据的形式校准方法。为了减轻我们的方法所带来的计算和推理的挑战，我们采用了广义主成分的降维方法。为了证明我们的方法的实用性，我们校准PSU 3D-ICE模型通过比较从一个499个成员的扰动参数合奏观测阿蒙森海部门的冰盖的输出。我们的方法有助于严格的参数不确定性的特征，即使在系统的数据模型的差异和依赖的错误。我们的方法还有助于通过改进冰盖海平面上升的预测来为环境风险分析提供信息。
2016-05-20 stat.AP stat.ME
Continuity of the Solution of a Non-Parametric Bayesian Statistical Calibration Procedure
Simon Fraser University（西蒙菲莎大学）
研究非参数贝叶斯校准方法中解算子对输入参数分布的连续性，证明其在总变差度量下一致连续且在广泛分布类中弱连续。
2026-03-21 math.ST stat.ME stat.TH
