Efficient Propagation of Uncertainties in Manufacturing Supply Chains: Time Buckets, L-leap and Multilevel Monte Carlo
大规模离散供应链的不确定性传播可能是禁止的,当大量的事件发生在模拟期间和离散事件仿真(DES)是昂贵的。提出了一种时间桶方法来近似和加速供应链的DES。它的随机版本,我们称之为L(逻辑)-跳跃方法,可以被视为跳跃方法的扩展,例如,tau-leap,D-leap,在化学工程界开发,用于加速化学反应的随机DES。L-leap方法在离散时间点瞬时更新系统状态向量,并假设供应链的生产率和策略在每个时间段内都是平稳的。我们建议使用多级蒙特卡罗(MLMC),有效地传播供应链网络中的不确定性,其中的水平自然定义的模拟的时间桶的大小。我们证明了我们的方法的效率和准确性,使用来自现实世界的制造材料流的四个数值例子。在这些示例中,我们的多级L跳跃方法可以比标准蒙特卡罗(MC)方法快一个或两个数量级,而不会影响准确性。
2019-01-16 stat.CO
Quantile based global sensitivity measures
Imperial College London(伦敦帝国学院)
本文提出基于输出分位数的新型全局敏感性度量方法,用于分析量化函数和识别关键变量,证明其与Sobol主效应指数的联系,并通过蒙特卡洛估计器验证方法效率,结合结构安全案例展示其有效性。
2016-08-07 cs.NA math.NA stat.AP
Forest Fire Clustering for Single-cell Sequencing with Iterative Label Propagation and Parallelized Monte Carlo Simulation
Yale University(耶鲁大学);Massachusetts Institute of Technology(麻省理工学院);University of California, Irvine(加州大学欧文分校)
在单细胞测序时代,越来越需要使用聚类方法从数据中提取见解。在这里,我们介绍森林火灾聚类,一种有效的和可解释的方法,从单细胞数据的细胞类型发现。森林火灾聚类使得最小的先验假设,并且与当前方法不同,计算每个细胞被分配细胞类型标签的非参数后验概率。这些后验分布允许评估每个细胞的标签置信度,并能够计算“标签熵”,突出显示沿发育轨迹的过渡。此外,我们表明,森林火灾聚类可以在在线学习环境中进行鲁棒的归纳推理,并且可以轻松扩展到数百万个单元格。最后,我们证明了我们的方法优于国家的最先进的聚类方法在不同的基准模拟和实验数据。总体而言,森林火灾聚类是一个有用的工具,在大规模的单细胞分析中发现罕见的细胞类型。
2022-05-26 cs.LG stat.ML
Image Reconstruction by Splitting Expectation Propagation Techniques from Iterative Inversion
University of Leeds(利兹大学);University of Milan-Bicocca(米兰比可卡大学)
从下采样和噪声测量(诸如MRI和低剂量计算机断层扫描(CT))重建图像是数学不适定的逆问题。我们提出了一种易于使用的重建方法的基础上期望传播(EP)技术。我们将蒙特卡罗(MC)方法,马尔可夫链蒙特卡罗(MCMC),和交替方向乘法(ADMM)算法的EP方法,以解决遇到的困难问题,在EP方法。我们证明了复杂的贝叶斯模型的图像重建的方法。我们的技术适用于伽马相机扫描的图像。比较了EPMC、EP-MCMC、EP-ADMM方法与MCMC方法的优缺点。这些度量是更好的图像重建、速度和参数估计。在真实和模拟数据中的实验表明,我们所提出的方法是令人信服的计算成本低于MCMC,并产生相对更好的图像重建。
2022-08-25 cs.CV eess.IV stat.CO
A cell-based population control of Monte Carlo particles for the global variance reduction for transport equations
提出了一种带采样和调节步骤的粒子布居控制方法,用于输运方程数值模拟中的蒙特卡罗粒子。我们回顾在第一节的困难有关的方差减少方法的一般框架中的输运方程,我们继续简要介绍的数学工具时调用的辐射输运方程求解,我们专注于现有的Monte Carlo粒子的排放和控制的重要性。下一部分讨论了几种新的方法的基础上提出的基于细胞的人口控制方法。为此,我们从理论上分析了两种类型的分裂:一种是保守的能量(在粒子水平上),另一种不是。由于这些结果,引入了一种新的算法,该算法使用基于细胞的人口控制方法和空间分布。不同类型的分裂的数值比较提出了一个简化的框架,然后提出的各种算法进行了比较,对两个基准:一个Marshak波的传播和两个波的传播具有不同的强度和速度尺度。为了进行这些最后的测试,我们使用多物理场代码FCI2。
2023-01-20 cs.NA math.NA math.PR
Graphical model inference: Sequential Monte Carlo meets deterministic approximations
Uppsala University(乌普萨拉大学);Linköping University(林雪平大学);University of Jyväskylä(于韦斯屈莱大学)
概率图模型(PGMs)中的近似推理可以分为确定性方法和基于蒙特卡罗的方法。前者通常可以提供准确和快速的推论,但通常与难以量化的偏见有关。后者享有渐近一致性,但可能遭受高计算成本。在本文中,我们提出了一种弥合确定性和随机推理之间的差距。具体来说,我们提出了一个有效的序贯蒙特卡罗(SMC)算法的PGM,它可以利用确定性推理方法的输出。虽然普遍适用,我们明确地表明,这可以做到与循环的信念传播,期望传播,和拉普拉斯近似。由此产生的算法可以被视为与这些方法相关的偏差的后校正,事实上,数值结果显示出明显的改善基线确定性方法,以及在“平原”SMC。
2019-01-08 cs.LG stat.ML
Fast uncertainty quantification of tracer distribution in the brain interstitial fluid with multilevel and quasi Monte Carlo
有效的不确定性量化算法是理解不确定性传播的关键--从不确定的输入参数到不确定的输出量--在脑生理学的高分辨率数学模型中。先进的蒙特卡罗方法,如准蒙特卡罗(QMC)和多级蒙特卡罗(MLMC)有可能显着改善标准蒙特卡罗(MC)方法,但其在生物医学应用中的适用性和性能还有待探索。在本文中,我们设计和应用QMC和MLMC方法来量化的对流-扩散模型的示踪剂在大脑内的运输的不确定性。我们表明,QMC优于标准MC模拟时,随机输入的数量是小的。MLMC大大优于QMC和标准MC方法,因此应首选脑运输模型。
2020-11-02 cs.CE cs.NA math.NA
Sampling-free Epistemic Uncertainty Estimation Using Approximated Variance Propagation
Technical University Munich(慕尼黑工业大学);Autonomous Intelligent Driving GmbH(自主智能驾驶有限公司);Google(谷歌)
提出了一种计算神经网络认知不确定性的无采样方法。认知不确定性是在安全关键型应用中部署深度神经网络的重要数量,因为它代表了人们可以在多大程度上信任对新数据的预测。最近提出了有前途的工作,使用噪声注入结合蒙特卡洛采样在推理时间来估计这个数量(例如蒙特卡洛dropout)。我们的主要贡献是近似的认识不确定性估计这些方法,不需要采样,从而显着降低了计算开销。我们将我们的方法应用于大规模的视觉任务(即,语义分割和深度回归),以证明我们的方法相比,基于采样的方法在质量的不确定性估计以及计算开销方面的优势。
2019-12-02 cs.LG stat.ML
Uncertainty propagation in phaseless electric properties tomography
利用蒙特卡罗方法研究了基于无相位磁共振的电特性层析成像技术中的不确定性传播。所研究的逆方法,恢复的电特性分布在射频内的散射体照射的线圈的磁共振成像扫描仪,是基于对比度源反演技术,适合于处理无相位输入数据。
2019-11-07 eess.SP physics.app-ph physics.med-ph
Simultaneous Localization and Mapping Problem in Wireless Sensor Networks
无线传感器网络中的移动终端定位是一项具有挑战性的任务。当确定性地对接入点的WiFi传播图进行建模时,已经解决了该问题。然而,该过程不考虑环境动态,并且还假设离线人工训练校准。在本文中,地图是由一个平均的室内传播模型结合扰动场,它代表了环境的影响。该扰动场嵌入有先验分布。使用顺序蒙特卡罗方法处理设备定位,并且依赖于传播图的估计。这个推理任务是在线执行的,即顺序使用的意见,最近提出的在线期望最大化为基础的算法。通过Monte Carlo实验验证了算法的性能。
2012-09-26 math.ST stat.TH
Uncertainty propagation in feed-forward neural network models
Department of Applied Mathematics, UC Santa Cruz(应用数学系,UC Santa Cruz)
针对带泄漏 ReLU 激活函数的前馈神经网络,推导了输出概率密度函数及统计矩的解析表达式,提出高斯 copula 代理模型,并通过 Monte Carlo 模拟验证了理论预测的准确性。
2025-08-09 cs.LG stat.ML
Sequential Monte Carlo Filtering Estimation of Ebola Progression in West Africa
我们使用序贯蒙特卡罗滤波器的多变量公式,该滤波器利用埃博拉病毒传播的机制模型和可用的发病率数据来同时估计疾病进展状态和模型参数。该方法的优点在于,当新数据变得可用时,在线执行推断,并且估计埃博拉爆发的基本生殖比$R_0(t)$随时间的演变。我们的分析确定了基本生殖比率的峰值接近欧洲和美国报告埃博拉病例的时间。
2016-01-28 q-bio.PE stat.AP
Convergence Acceleration of Markov Chain Monte Carlo-based Gradient Descent by Deep Unfolding
Tokyo Institute of Technology(东京工业大学)
本文提出一种基于深度展开的可训练采样求解器,通过方差估计替代自动微分训练MCMC梯度下降的步长,显著加速了组合优化问题的收敛。
2024-02-21 cond-mat.dis-nn cs.LG stat.ML
Monte Carlo Sampling Bias in the Microwave Uncertainty Framework
不确定性传播软件可能会通过各种方式引入未知的无意偏差。这项工作是一个案例研究中的偏差识别和减少在这样一个软件包,微波不确定性框架(MUF)。MUF的一般目的是在蒙特卡罗(MC)基础上提供自动化的多元统计不确定性传播和分析。合并是MUF中的一个关键模块,负责合并原始数据或转换数据,以准确反映数据的变化及其集中趋势。在这项工作中,结合的MC复制的性能进行了分析比较,其规定的设计目标。另一种结构提出了联合的MC复制和它的性能进行了比较,也对联合的设计目标。这些比较是在一个典型的两阶段的情况下,其中接收到的数据首先与共享的系统误差一起转换,然后结合起来,以产生摘要信息。这些比较揭示了有限的条件下,结合的不确定性结果是无偏的,这些偏见的程度时,这些条件不满足。对于小MC样本量,无论是当前的还是替代的结构,都不能完全满足联合收割机的设计目标,也不能始终优于其他结构。然而,对于大MC样本量,建议的替代构造的偏倚渐近为零,建议使用该构造。
2019-02-15 stat.AP
Distributed Bayesian Learning with Stochastic Natural-gradient Expectation Propagation and the Posterior Server
University of Oxford(牛津大学);DeepMind
本文对贝叶斯机器学习算法做了两个贡献。首先,我们提出了随机自然梯度期望传播(SNEP),一种新的替代期望传播(EP),一个流行的变分推理算法。SNEP是一种黑盒变分算法,因为它不需要对感兴趣的分布进行任何简化假设,除了用于估计EP倾斜分布的矩的一些Monte Carlo采样器的存在之外。此外,相对于EP没有收敛保证,SNEP可以被证明是收敛的,即使使用蒙特卡罗矩估计。其次,我们提出了一种新的分布式贝叶斯学习架构,我们称之为后验服务器。后验服务器允许在数据集以分布式方式存储在集群中的情况下进行可扩展和鲁棒的贝叶斯学习,每个计算节点包含不相交的数据子集。在每个计算节点上运行一个独立的Monte Carlo采样器,仅直接存取局部数据子集,但其目标是在给定整个集群的所有数据的情况下近似全局后验分布。这是通过使用SNEP的分布式异步实现跨集群传递消息来实现的。我们证明了SNEP和分布式贝叶斯学习的逻辑回归和神经网络后服务器。保留字:分布式学习,大规模学习,深度学习,贝叶斯学习,变分推理,期望传播,随机近似,自然梯度,马尔可夫链蒙特卡罗,参数服务器,后验服务器。
2017-09-07 cs.LG stat.ML
Deterministic Uncertainty Propagation for Improved Model-Based Offline Reinforcement Learning
University of Southern Denmark(南丹麦大学)
针对基于模型的离线强化学习中蒙特卡洛采样导致收敛慢的问题,提出采用渐进矩匹配的确定性贝尔曼目标近似算法MOMBO,可提供更紧的次优性保证且收敛更快。
2025-01-16 cs.LG
Error Propagation in Dynamic Programming: From Stochastic Control to American Option Pricing
EPFL - Swiss Finance Institute (SFI)(瑞士联邦理工学院-瑞士金融研究所)
本文提出离散时间随机最优控制中值函数估计的误差分解与逐时间步控制方法,并分析误差从到期日向初始阶段的反向传播,最终应用于美式期权定价。
2026-10-05 cs.LG q-fin.CP q-fin.PR