Quasi-Monte Carlo for Bayesian shape inversion governed by the Poisson problem subject to Gevrey regular domain deformations
University of Oxford(牛津大学);Free University of Berlin(柏林自由大学);LUT University(拉普兰理工大学)
针对泊松方程下Gevrey正则参数化域不确定性的贝叶斯形状反演,采用拟蒙特卡洛积分规则,分析后验分布的参数正则性,设计随机移位秩1格规则实现维数无关、优于蒙特卡洛的收敛速度,并考虑维数截断和有限元离散误差。
2026-07-01 cs.NA math.NA
A-posteriori QMC-FEM error estimation for Bayesian inversion and optimal control with entropic risk measure
本文针对贝叶斯反演和带熵风险测度的最优控制中高维积分比值问题,提出结合QMC误差分析与有限元后验估计的新方法,得到对离散化和参数维数均鲁棒的可计算后验估计量。
2023-07-06 cs.NA math.NA
Domain-decomposed Bayesian inversion based on local Karhunen-Loève expansions
在许多贝叶斯逆问题中,目标是恢复空间变化的随机场。这样的问题往往是计算上的挑战,特别是当正演模型是由复杂的偏微分方程(PDE)。当空间域很大并且未知的随机场需要用高维参数表示时,这一挑战尤其严峻。在本文中,我们提出了一个域分解的方法来解决的维数问题,该方法同时分解的空间域和参数域。在每个子域上,构造局部Karhunen-Lo`eve(KL)展开,并以并行方式独立地解决局部反演问题,更重要的是,在低维空间中。通过对子域进行马尔可夫链蒙特卡罗(MCMC)模拟生成局部后验样本后,提出了一种新的投影方法来有效地重建全局场.此外,对区域分解中的交界条件采用基于高斯过程的自适应拟合策略进行处理。数值例子证明了所提出的方法的性能。
2022-11-08 cs.NA math.NA
Bayesian Inversion for Anisotropic Hydraulic Phase-Field Fracture
在这项工作中,贝叶斯反演框架水力相场横观各向同性和正交各向异性裂缝。其中,三个主要场是压力场、位移场和相位场,而方向相关的响应被强制执行(通过类似惩罚的参数)。引入了一种新的裂纹驱动状态函数,避免了各向异性能中可压缩部分的退化。对于贝叶斯反演,我们采用延迟拒绝自适应大都会(DRAM)算法来识别参数。我们调整算法以根据水力压裂观测来估计参数,即,最大压力。重点是从不同的变量,包括弹性模量,Biot系数,Biot的模量,动态流体粘度,和格里菲斯的能量释放率的情况下,各向同性的水力压裂,而在各向异性的设置,我们确定额外的惩罚一样的参数所产生的不确定性。几个数值例子来证实我们的算法的发展。
2020-07-29 cs.CE cs.NA math.NA
The Bayesian Inversion Problem for Thermal Average Sampling of Quantum Systems
在这篇文章中,我们提出了一种新的方法来采样势函数的基础上的噪声观测数据的有限数量的观测量的量子正则系综,这导致了广泛的测试观测量的准确采样。该方法基于贝叶斯反演框架,为分析后验分布提供了一个平台,自然地导致了一个高效的数值采样算法。我们强调,稳定性估计是通过以下方式处理的潜在功能作为中间变量:训练观测量的两组观测数据之间的差异可以约束相应的势函数的后验分布之间的距离,而后者自然会导致相应的测试观测量的热平均值之间的差异的一个界限。此外,训练观测量可以更灵活的局部密度函数的有限样本,这主要是在以前的研究中使用。该方法也适用于非绝热区的多能级量子系统。此外,我们提供了广泛的数值试验,以验证所提出的算法的准确性和效率。
2020-02-20 cs.NA math.NA
Data-Driven Forward Discretizations for Bayesian Inversion
本文提出了一个框架,学习昂贵的前向模型的离散化贝叶斯逆问题。其主要思想是将离散化的参数作为贝叶斯机器中待估计的未知数的一部分。我们数值计算表明,在机械工程,信号处理和地球科学中出现的各种反问题,观测包含有用的信息,以指导离散化的选择。
2020-08-21 cs.NA math.NA stat.CO
Bayesian Inversion with Neural Operator (BINO) for Modeling Subdiffusion: Forward and Inverse Problems
Shanghai Jiao Tong University(上海交通大学)
分数阶扩散方程是模拟复杂系统中反常扩散的有效工具。然而,传统的数值方法由于时间分数阶导数卷积积分带来的记忆效应,需要昂贵的计算成本和存储资源。我们提出了一个贝叶斯反演与神经算子(BINO),以克服在传统方法的困难如下。我们采用深度算子网络来学习分数扩散方程的解算子,使我们能够快速精确地解决给定输入(包括分数阶,扩散系数,源项等)的正问题。此外,我们将深度算子网络与贝叶斯反演方法相结合,用于通过子扩散过程对问题进行建模并解决逆子扩散问题,从而显着降低了时间成本(而不会遭受存储资源过载)。大量的数值实验表明,本文提出的算子学习方法可以有效地求解次扩散方程的正问题和贝叶斯反问题.
2022-11-22 cs.LG cs.NA math.NA
Multilevel Markov Chain Monte Carlo with likelihood scaling for Bayesian inversion with high-resolution observations
本文提出一种结合似然缩放的多层MCMC方法,用于高分辨率数据下PDE随机场参数的贝叶斯反演,在保持与层级无关方法相同收敛速率的同时显著降低计算成本,并通过二维平面应力问题验证了有效性。
2025-01-09 cs.NA math.NA
Bayesian inversion for the identification of the doping profile in unipolar semiconductor devices
本文提出基于贝叶斯反演的掺杂分布识别方法,利用预条件Crank-Nicolson MCMC和物理信息先验,从电压-电流测量重建掺杂分布,并在二维二极管上验证有效性。
2024-08-21 cs.NA math.NA math.PR
Wasserstein metric-driven Bayesian inversion with applications to signal processing
University of New Mexico(新墨西哥大学);University of Colorado Boulder(科罗拉多大学博尔德分校)
本文提出了一种基于新的指数似然函数的贝叶斯框架,该函数由二次Wasserstein度量驱动,相较于传统的基于高斯似然函数和最小二乘范数(L2范数)的贝叶斯模型,具有处理复杂噪声结构、收敛性更好以及能捕捉幅值和相位差异等优势。
2018-12-26 cs.NA math.NA
Optimal and scalable methods to approximate the solutions of large-scale Bayesian problems: Theory and application to atmospheric inversions and data assimilation
本文对高维(>10^6)线性贝叶斯问题的近似解方法进行了详细的理论分析。一个最佳的低秩投影,最大限度地提高了贝叶斯反演的信息内容,并有效地使用可扩展的随机SVD算法构造。建立了相关的后验误差协方差矩阵和后验均值近似,这是进一步研究的数值实验组成的一个大规模的大气示踪剂输运源反演问题的有用的最优性结果。该方法被证明是一种鲁棒和有效的降维方法,以及一个自然的框架来分析反演的信息内容。这种方法的非线性框架中的业务数值天气预报数据同化系统的增量4D-Var技术的基础上可能的扩展进行了讨论,并提出了一个新的随机增量最优技术(RIOT)的4D-Var算法利用我们的理论结果的详细实施。
2016-09-21 cs.NA math.NA physics.ao-ph
Planar Curve Registration using Bayesian Inversion
Technical University of Denmark(丹麦技术大学);Imperial College London(伦敦帝国理工学院);Baylor University(贝勒大学)
本文将闭合平面曲线匹配建模为贝叶斯反问题,结合LDDMM、Wu-Xu元与集成Kalman反演,提出了一种参数化无关且网格无关的曲线配准方法。
2023-07-10 cs.CV cs.NA math.NA
Stein variational reduced basis Bayesian inversion
提出并分析了一种求解大规模偏微分方程约束贝叶斯逆问题的Stein变分缩减基方法。为了解决计算的挑战,绘制大量的样本需要昂贵的PDE解决后验分布,我们集成了自适应和目标导向的模型降阶技术与基于优化的斯坦变分梯度下降法(SVGD)。样本从先验分布中提取,并通过一系列由SVGD构建的运输图迭代推到后验,需要评估潜在的-似然函数的负对数-及其相对于随机参数的梯度,这取决于PDE的解。为了降低计算成本,我们开发了一种自适应和目标导向的模型降阶技术的基础上减少基础近似的潜力和它的梯度的评估。详细分析了势及其梯度的约化基近似误差、Kullback-Leibler散度测量的后验分布的诱导误差以及样本误差。为了证明SVRB的计算精度和效率,我们报告的数值实验结果的贝叶斯反问题的扩散PDE与随机参数的均匀和高斯先验分布。可以实现超过100倍的加速,同时保持电位及其梯度的近似精度。
2020-02-25 cs.NA math.NA
Stability of Gibbs Posteriors from the Wasserstein Loss for Bayesian Full Waveform Inversion
最近,Wasserstein损失函数被证明是有效的,当应用于确定性全波形反演(FWI)问题。我们考虑应用这个损失函数在贝叶斯FWI,使不确定性可以捕获的解决方案。为了比较,还考虑了在实践中常用的其他损失函数。在对先验和模型的弱假设下,证明了所得Gibbs后验在函数空间上的存在性和稳定性。特别是,所产生的Wasserstein损失的分布被证明是相当稳定的高频噪声的数据。然后,我们用数值方法说明了所得分布之间的差异,使用拉普拉斯近似来估计未知的速度场和与估计相关的不确定性。
2021-04-16 cs.NA math.NA math.ST
Partial inversion of the elliptic operator to speed up computation of likelihood in Bayesian inference
通常,在解决正向、反向或数据同化问题时,只需要解决方案的一部分。作为一个模型,我们考虑平稳扩散问题。我们演示了一个算法,可以计算的解决方案的一部分或一个功能,而不计算完整的反演算子和完整的解决方案。关于偏微分方程的一个众所周知的事实是,每个离散点的解依赖于所有其他离散点的解。因此,不可能只计算一个点的解,而不计算所有其他点的解。标准的数值方法,如共轭梯度法或高斯消元法计算整体解和/或完整的逆算子。本文提出了一种方法,它可以计算给定的偏微分方程1)在一点; 2)在少数几点; 3)在一个界面上的解;或解的泛函,而不需要计算所有点的解。与标准方法相比,所需的存储成本和计算资源将更低。通过这种新方法,我们可以加快例如过滤或似然分布中的新息计算,这可以衡量数据失配(失配)。此外,我们可以加快解决回归,贝叶斯反演,数据同化和卡尔曼滤波器更新问题。此外,应用分层矩阵近似,我们减少了立方计算成本几乎线性$\mathcal{O}(k^2n \log^2 n)$,其中$k\ll n$和$n$是自由度的数量。在分层矩阵逼近误差范围内,计算结果是精确的。这种方法的缺点之一是需要修改现有的确定性求解器。
2020-08-04 cs.NA math.NA
Beyond Independence: on Jointly Normal Priors in Bayesian Inversion
University of Auckland(奥克兰大学);Rocsole Limited(罗克索尔有限公司);University of Eastern Finland(芬兰东部大学)
本文提出一种联合正态先验模型,用于贝叶斯反演中多个未知参数的联合倒置,通过保留边际分布并允许空间变化的交叉相关性,提升参数间相关性的建模能力。
2026-05-01 cs.NA math.NA stat.ME
DeepONet-accelerated Bayesian inversion for moving boundary problems
School of Mathematical Sciences, University of Nottingham, UK(数学科学学院,诺丁汉大学)
本文提出基于DeepONet的加速贝叶斯反演方法,用于解决移动边界问题,通过高效替代模型提升反演效率,适用于复合材料制造中的RTM工艺监控。
2025-12-23 cs.LG cs.NA math.NA
A variational framework for Bayesian inversion in moving boundary Darcy flow
School of Mathematical Sciences, University of Nottingham(诺丁汉大学数学科学学院)
针对移动边界达西流的对数渗透率反演,提出逐观测表示公式的变分框架,大幅降低计算成本,1D精度接近MCMC,2D效果优于大规模集合卡尔曼反演。
2026-08-07 cs.NA math.NA
A deep surrogate approach to efficient Bayesian inversion in PDE and integral equation models
University of Bath(巴斯大学)
我们研究了一种深度学习方法,用于在潜在高维参数空间上的偏微分方程(PDE)和积分方程模型中有效地执行贝叶斯推断。本文的贡献是双重的,首先是引入神经网络方法来近似的解决方案的Fredholm和Volterra积分方程的第一和第二类。第二个是开发一种新的、高效的基于深度学习的贝叶斯反演方法,应用于可由偏微分方程或积分方程描述的问题。为了实现这一目标,我们引入了一个代理模型,并演示了如何使有效的抽样贝叶斯后验分布的可能性依赖于偏微分方程或积分方程的解决方案。我们的方法依赖于神经网络的参数解的直接逼近,而不需要传统的数值求解。这种深度学习方法允许在比使用经典离散化方案更高的维度上精确和有效地近似参数解。由于近似解的计算成本较低,因此利用马尔可夫链蒙特卡罗方法求解大参数空间上的贝叶斯反问题是有效的。我们证明了我们的方法的性能,使用两个现实世界的例子,其中包括贝叶斯推理的PDE和积分方程的情况下,从电化学的例子,和贝叶斯推理的函数值的传热参数在航空中的应用。
2021-03-25 cs.LG cs.NA math.NA
A benchmark for the Bayesian inversion of coefficients in partial differential equations
在过去的二十年中,贝叶斯方法被广泛用于从偏微分方程的解的测量来推断这些方程的空间可变系数的统计特性。然而,在许多情况下,用于参数化这些系数的变量的数量很大,并且使用简单的采样方法(例如基本的Metropolis-Hastings(MH)算法)来获得它们的值的有意义的统计是困难的-特别是如果逆问题是病态的或不适定的。因此,在文献中已经描述了比MH更快收敛的许多高级采样方法,例如通过利用统计模型的层次或底层微分方程的离散化的层次。与此同时,它仍然很难为读者的文献,以量化这些算法的优点,因为没有常用的基准。本文提出了一个基准贝叶斯逆问题-即,在泊松方程中,基于点测量的解决方案-填补了广泛使用的简单测试用例(如叠加高斯)和实际应用程序之间的差距,难以复制的采样算法的开发人员的空间可变系数,离散化的64个值的确定。我们提供了测试用例的完整描述,并提供了一个开源的实现,可以作为进一步实验的基础。我们还计算了$2\times 10^{11}$样本,在约30 CPU年的成本,后验概率分布,我们已经产生了详细和准确的统计数据,对其他抽样算法可以进行测试。
2022-02-28 cs.NA math.NA
Bayesian inversion for unified ductile phase-field fracture
在大规模金属材料和结构的设计和制造中,预测延性破坏过程中裂纹的萌生和扩展是一项具有挑战性的任务。延性破坏的数值方面决定了大量材料性能的塑性和塑性相关参数的次优校准。这些参数作为正演模型进入偏微分方程组。在这项工作中,我们开发了一个逐步贝叶斯反演框架韧性断裂提供准确的知识,有效的力学参数。为此,合成和实验观察被用来估计后验密度的未知数。为了模拟固体材料的韧性破坏行为,我们依赖于相场方法断裂,为此,我们提出了一个统一的配方,允许恢复不同的模型在变分的基础上。在变分框架下,一类梯度型耗散材料的增量极小化原理被用来推导控制方程。整体配方重新审视和扩展到各向异性韧性断裂的情况下。三种不同的模型,随后恢复某些选择的参数和本构函数,这是后来通过贝叶斯反演技术进行评估。为了估计延性材料参数的后验密度函数,采用了三种常用的马尔可夫链蒙特卡罗(MCMC)方法:(i)Metropolis-Hastings算法,(ii)延迟拒绝自适应Metropolis算法,(iii)与MCMC相结合的集合卡尔曼滤波器。为了检验MCMC方法的计算效率,我们采用了R-收敛工具。
2021-04-22 cs.CE cs.NA math.NA
Bayesian inversion for electromyography using low-rank tensor formats
利用肌电数据重建生物组织结构是一种具有广泛医学应用的非侵入性成像方法。在数学上,这个过程是一个逆问题。此外,肌电图数据对描述组织结构的电导率的变化高度敏感。将不可避免的测量误差建模为随机量导致贝叶斯方法。求解离散化贝叶斯逆问题意味着从参数的后验分布中抽取样本,例如,电导率,给出测量数据。例如,用于此目的的Metropolis-Hastings算法涉及求解不同参数组合的正向问题,这需要高计算量。低秩张量格式可以通过同时提供所有发生的线性方程组的数据稀疏表示来减少这种努力,并允许它们的有效解。应用贝叶斯定理证明了贝叶斯反问题的适定性。推导和证明的低秩表示的前向问题允许预先计算的所有解决方案,这个问题在一定的假设下,从而在一个有效的和基于理论的采样算法。数值实验支持理论结果,但也表明,一个高的样本个数是需要获得可靠的估计参数。Metropolis-Hastings采样算法使用张量格式的预先计算的前向解,绘制了如此高的样本个数,因此能够解决使用经典方法不可行的问题。
2020-12-14 cs.NA math.NA
Bayesian inversion for nanowire field-effect sensors
纳米线场效应传感器最近已经被开发用于生物分子的无标记检测。在这项工作中,我们介绍了一种计算技术的基础上贝叶斯估计,以确定传感器的物理参数,更重要的是,分析物分子的属性。为此,我们首先提出了一个基于偏微分方程的模型来模拟器件的电荷传输和电化学行为。然后,采用具有延迟拒绝的自适应Metropolis算法(DRAM)估计未知参数的后验分布,即分子电荷密度、分子密度、掺杂浓度、电子和空穴迁移率。我们同时确定了器件和分子的性质,并且在确定了器件参数之后,我们还计算了分子密度作为唯一的参数。这种方法不仅可以确定未知参数,而且还可以通过产生密度函数(pdf)来显示每个参数的确定程度。
2019-10-26 cs.NA eess.SP math.NA
Change of Measure for Bayesian Field Inversion with Hierarchical Hyperparameters Sampling
针对贝叶斯场反演中超参数联合采样难题,提出基于测度变换的分层贝叶斯框架,结合适配MCMC与多项式混沌代理模型实现高效采样,经三类应用验证了方法的一致性与有效性。
2025-01-17 cs.NA math.NA
Hierarchical Bayesian inversion using the Karhunen-Loève expansion with analytical eigenpairs of the squared exponential kernel
Kyoto University(京都大学);Australian National University(澳大利亚国立大学)
研究基于高斯随机场先验的分层贝叶斯反演中协方差超参数不确定性问题,利用平方指数核的解析解构建卡尔胡宁-勒夫展开,消除超参数更新时重复求解积分特征值问题的计算成本,经优化方法提高精度,应用于达西流模型贝叶斯反演。
2026-07-15 cs.NA math.NA stat.ME
Low-rank tensor reconstruction of concentrated densities with application to Bayesian inversion
传输图已经成为一种流行的机制,通过优化的前推使用样本传播来表达复杂的概率密度。除了其广泛的适用性和众所周知的成功,运输地图遭受几个缺点,如数值不准确引起的优化过程和采样计划时,必须采用感兴趣的数量,例如时刻计算的事实。本文提出了一种新的方法,精确的函数逼近的密度函数(PDF),处理这些问题。通过将目标PDF的回拉结果通过不精确的输运图解释为扰动的参考密度,随后的函数表示以更易于访问的格式允许有效且更准确地计算所需的量。我们引入了一个基于层的近似扰动参考密度在一个适当的坐标系分裂成一组独立的近似分别选择规范正交基函数的高维表示问题。这有效地激发了h-和p-细化(即"网格步长“和多项式次数)的概念,用于高维PDF的近似。为了避免维数灾难,并使采样自由访问某些数量的利益,张量训练格式的低秩重建采用变分蒙特卡罗方法。一个先验的收敛性分析的方法是来自Hellinger距离和Kullback-Leibler发散。应用程序包括贝叶斯逆问题和几个程度的集中密度照亮(优越)的收敛相比,蒙特卡罗和马尔可夫链蒙特卡罗方法。
2020-08-10 cs.NA math.NA
Complexity Analysis of Accelerated MCMC Methods for Bayesian Inversion
Mathematics Institute, Warwick University(华威大学数学研究所)
针对模型椭圆PDE的贝叶斯反演问题,分析了几种MCMC方法的计算复杂度,并提出了稀疏多项式混沌代理和多层MCMC两种加速策略以降低复杂度。
2013-04-30 cs.NA math.NA math.ST
Optimal design of large-scale nonlinear Bayesian inverse problems under model uncertainty
本文针对模型不确定性下由PDE控制的大规模非线性贝叶斯反问题,提出基于贝叶斯近似误差和A-最优设计的可扩展OED框架,并通过三维椭圆PDE反问题验证其有效性。
2024-07-02 cs.NA math.NA stat.CO
Fast Bayesian Optimal Experimental Design for Seismic Source Inversion
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校);The University of New Mexico(新墨西哥大学)
本文提出了一种快速方法,用于在统计地震源反演中最优设计实验,通过高效计算接收器或地震仪的最佳数量和位置,利用弹性动力学波动方程建模正向问题,并采用拉普拉斯近似加速估计预期Kullback-Leibler散度以提高实验设计效率。
2015-02-27 cs.NA math.NA stat.CO
Fast Gibbs sampling for high-dimensional Bayesian inversion
Centre for Medical Image Computing, University College London(医学图像计算中心,伦敦大学学院)
本文提出了一种改进的吉布斯采样方法,用于高维贝叶斯反演问题,支持多种先验分布,如一般ℓ_𝑝^𝑞先验和硬约束,并通过计算实例展示了其在CT数据反演中的应用效果。
2016-07-05 cs.NA math.NA math.PR
Distributed Proximal Stein Variational Gradient Descent Algorithm for Large-scale Bayesian Inference in Traveltime Tomography
Institute of Geophysics, Polish Academy of Sciences(波兰科学院地球物理研究所);Department of Computer Science, University of Central Florida(中佛罗里达大学计算机系)
针对走时层析成像的大规模贝叶斯反演,提出结合FMM、ADMM和SVGD的分布式近端算法,实现高效后验采样与不确定性量化。
2026-09-23 cs.NA math.NA physics.comp-ph
Airborne contaminant source estimation using a finite-volume forward solver coupled with a Bayesian inversion approach
Simon Fraser University(西蒙菲莎大学)
本文提出一种数值算法,用于解决具有高点源和地面沉积的大气扩散问题,采用有限体积方法结合贝叶斯反演,通过对比有限体积求解器与高斯烟柱求解器,展示其在估计排放速率不确定性方面的优势。
2016-09-19 cs.NA math.NA stat.AP
hIPPYlib: An Extensible Software Framework for Large-Scale Inverse Problems Governed by PDEs; Part I: Deterministic Inversion and Linearized Bayesian Inference
我们提出了一个可扩展的软件框架,hIPPYlib,解决大规模的确定性和贝叶斯逆问题的偏微分方程(PDE)与无穷维参数字段(这是高维离散化后)。hIPPYlib通过为基于偏微分方程的逆问题实现最先进的可扩展算法,克服了贝叶斯逆对这类问题的禁止性,这些算法利用了底层算子的结构,特别是对数后验的Hessian。在hIPPYlib中实现的算法的关键属性是,确定性和线性化贝叶斯逆问题的解是以线性化正向PDE解的成本计算的,该成本与参数维数无关。后验的平均值由MAP点近似,MAP点通过最小化负对数后验来找到。这个确定性的非线性最小二乘最优化问题的解决与不精确矩阵的牛顿CG方法。后验协方差近似为在MAP点评估的负对数后验的Hessian的倒数。当参数-可观测映射是线性的时,这种高斯近似是精确的;否则,其对数与MAP点处的对数后验的两个导数一致,因此它可以作为基于Hessian的MCMC方法的建议。通过调用对数似然的Hessian的低秩近似,使得后验协方差的构造变得易于处理。还实现了用于样本生成的可扩展工具。hIPPYlib使领域科学家可以轻松访问所有这些高级算法,并提供了一个加速新算法开发的环境。hIPPYlib也是一个教学工具,用于教育研究人员和从业者谁是新的反问题和贝叶斯推理框架。
2020-08-29 cs.MS cs.NA math.NA
An Eulerian approach to regularized JKO scheme with low-rank tensor decompositions for Bayesian inversion
本文提出一种基于欧拉离散化和低秩Tensor Train分解的熵正则化JKO格式,用于高维贝叶斯反演中的分布建模与采样,克服维数灾难并实现无梯度计算,在合成分布和贝叶斯反演问题上取得与MCMC相当或更好的性能。
2024-11-19 cs.NA math.NA math.OC
Estimating systematic errors in Bayesian inversion using transport maps
Physikalisch-Technische Bundesanstalt(德国联邦物理技术研究院)
本文提出结合贝叶斯推断、模型误差校正与传输采样方案的统一框架,利用两种损失训练传输图以估计贝叶斯反演的系统误差,经数值示例验证了方法的有效性。
2026-09-01 cs.NA math.NA math.PR
Bayesian inversion of a diffusion evolution equation with application to Biology
Mines Saint-Etienne, Univ Clermont Auvergne, CNRS, UMR 6158 LIMOS, Institut Henri Fayol(圣艾蒂安矿业学院,克莱蒙奥弗涅大学,法国国家科学研究中心,LIMOS联合研究实验室,亨利· Fayol 研究所);Department of Computer Science, University of Sheffield(谢菲尔德大学计算机科学系)
本文提出利用贝叶斯方法反演扩散演化方程中的微分算子系数和源项,通过几何导向的MCMC算法处理非高斯、无限维后验分布,应用于果蝇早期发育中Kni间隙基因的转录后调控研究。
2018-06-15 cs.NA math.NA physics.data-an
LazyDINO: Fast, scalable, and efficiently amortized Bayesian inversion via structure-exploiting and surrogate-driven measure transport
California Institute of Technology(加州理工学院);The University of Texas at Austin(德克萨斯大学奥斯汀分校);Massachusetts Institute of Technology(麻省理工学院)
LazyDINO 利用导数感知神经代理与惰性映射变分推断,在昂贵 PtO 映射的高维贝叶斯反演中实现高效摊销,以极低离线样本成本超越拉普拉斯近似等现有方法。
2024-11-19 cs.LG cs.NA math.NA
Object based Bayesian full-waveform inversion for shear elastography
Universidad Complutense de Madrid(马德里康普顿斯大学);Universidad de Burgos(布尔戈斯大学)
针对组织异常体剪切弹性成像的不确定性量化问题,提出基于对象的贝叶斯全波形反演框架,结合拓扑能量先验、MCMC采样与MAP高斯近似实现高效后验推断。
2023-05-11 cs.CV cs.NA math.NA
Provable Diffusion Posterior Sampling for Bayesian Inversion
Southwestern University of Finance and Economics(西南财经大学);RWTH Aachen University(亚琛工业大学);Wuhan University(武汉大学);Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院)
本文提出了一种基于扩散的可证明后验采样方法,通过数据学习分数以捕捉先验分布结构,并提供非渐近误差界以确保复杂多模态后验分布的收敛性。
2026-08-03 cs.LG cs.NA math.NA