Convolutional autoencoders for spatially-informed ensemble post-processing
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Heidelberg Institute for Theoretical Studies(海德堡理论研究所)
包围圈天气预报通常会显示系统误差,必须通过后处理进行校正。即使是基于神经网络的最先进的后处理方法通常也仅依赖于特定于位置的预测器,其需要将物理天气模型的空间预测场内插到目标位置。然而,潜在的有用的可预测性信息包含在输入字段内的大规模空间结构中可能会丢失在这个插值步骤。因此,我们建议使用卷积自动编码器来学习空间输入字段的紧凑表示,然后可以将其用于增强特定位置的信息作为后处理模型的额外输入。包括这种空间信息的好处证明了在德国地面站的2米温度预报的案例研究。
2022-04-08 cs.LG physics.ao-ph
A Stability-Aware Frozen Euler Autoencoder for Physics-Informed Tracking in Continuum Mechanics (SAFE-PIT-CM)
Section for Statistics and Data Analysis, DTU Compute Technical University of Denmark(统计与数据分析部门,丹麦技术大学)
本文提出SAFE-PIT-CM自编码器,通过冻结卷积层作为可微PDE求解器,解决连续力学中微结构场演变的扩散系数和物理场联合恢复问题,采用子步技术提升稳定性,验证在金属热扩散中具有高精度。
2026-03-24 cs.LG
Mechanics-Informed Autoencoder Enables Automated Detection and Localization of Unforeseen Structural Damage
Michigan State University(密歇根州立大学)
提出MIDAS力学信息自编码器方法,利用被动传感器数据实现结构损伤的自动检测与定位,仅需3小时学习即可适应,性能提升达35%。
2024-07-18 cs.LG eess.SP
Reducing Data Complexity using Autoencoders with Class-informed Loss Functions
University of Granada(格拉纳达大学);University of Jaén(哈恩大学);King Abdulaziz University(阿卜杜勒阿齐兹国王大学)
机器学习应用中的可用数据由于更高的维度和困难的类而变得越来越复杂。有各种各样的方法来衡量标记数据的复杂性,根据类重叠,可分性或边界形状,以及组形态。许多技术都可以转换数据以找到更好的功能,但很少有技术专注于降低数据复杂性。大多数数据转换方法主要处理维度方面,而忽略了类标签中的可用信息,当类有点复杂时,这些信息可能很有用。本文提出了一种基于自动编码器的方法来降低复杂性,使用类标签,以通知损失函数的足够的生成的变量。这导致了三个不同的新功能学习器,Scorer,Skaler和Slicer。它们分别基于Fisher判别比、Kullback-Leibler散度和最小二乘支持向量机。它们可以作为一个预处理阶段的二元分类问题。对27个数据集以及一系列复杂性和分类指标的全面实验表明,类通知自动编码器的性能优于其他4种流行的无监督特征提取技术,特别是当最终目标是使用数据进行分类任务时。
2021-11-11 cs.LG cs.NE
Estimation of Motor Unit Parameters from Surface Electromyograms using an Informed Autoencoder
Hochschule Bielefeld, University of Applied Sciences and Arts, Institute for System Dynamics and Mechatronics(比勒菲尔德应用科学大学,系统动力学与机电系统研究所)
本文提出一种基于受 inform autoencoder 的非侵入式表面肌电图数据处理方法,用于同时估计多个电机单元参数,如神经支配区中心和传导速度,通过数据驱动的机器学习减少手动建模工作量。
2026-05-08 cs.LG
Derivative-informed Graph Convolutional Autoencoder with Phase Classification for the Lifshitz-Petrich Model
Department of Mathematics, University of Massachusetts Dartmouth(达特茅斯大学数学系);Department of Statistics and Data Science, Yale University(耶鲁大学统计与数据科学系);School of Mathematical Sciences, Shanghai Jiao Tong University(上海交通大学数学科学学院);School of Mathematical Sciences, CMA-Shanghai and MOE-LSC, Shanghai Jiao Tong University(上海交通大学数学科学学院)
针对 Lifshitz-Petrich 模型求解与分类的挑战,提出导数信息图卷积自编码器 (DiGCA),结合解及其导数降低维度并利用神经网络分类,高效准确地生成了相图。
2025-09-14 cs.LG cs.NA math.NA
PISCES: Physics-Informed Solar-wind Convolutional autoEncoder for Space-weather Anomaly Detection and Early Warning
UCLA(加州大学洛杉矶分校);University of Colorado(科罗拉多大学);NASA Jet Propulsion Laboratory(美国国家航空航天局喷气推进实验室)
PISCES是一种物理信息卷积自编码器,在无标签的OMNI太阳风数据上训练,通过分解异常分数并利用物理约束,实现L1点太阳风瞬变的早期检测与预警,可提前于急始事件。
2026-09-24 astro-ph.SR cs.AI cs.LG
Physics-Informed Convolutional Autoencoder for Cyber Anomaly Detection in Power Distribution Grids
West Virginia University(西弗吉尼亚大学)
针对配电网隐蔽网络攻击,本文提出将基尔霍夫定律融入损失函数的多变量 PIConvAE,并在 IEEE 13/123 节点系统中验证其精度、收敛速度和攻击检测能力。
2023-12-08 cs.CR cs.LG cs.SY
Uncertainty-aware damage identification in short-span bridges via physics-informed variational autoencoder
Basque Center for Applied Mathematics (BCAM)(巴斯克应用数学中心);Departamento de Matematica Aplicada, Universidad de Zaragoza/IUMA(萨拉戈萨大学应用数学系/数学及其应用研究所);TECNALIA, Basque Research and Technology Alliance (BRTA)(特克纳利亚研究与创新中心,巴斯克科学与技术联盟);Department of Mathematics, University of the Basque Country (UPV/EHU)(巴斯克大学数学系)
针对基于振动的土木基础设施损伤识别难题,提出物理信息高斯copula变分自编码器框架,嵌入数值特征值求解器并采用高斯copula,减少参数空间,验证表明能准确恢复后验分布,为桥梁损伤诊断提供可靠工具。
2026-11-19 cs.LG
Multivariate Physics-Informed Convolutional Autoencoder for Anomaly Detection in Power Distribution Systems with High Penetration of DERs
Lane Department of Computer Science and Electrical Engineering, West Virginia University(计算机科学与电气工程系,西弗吉尼亚大学)
尽管深度学习模型在分析网络物理事件下的系统条件方面取得了不懈的进展,但由于数据可用性问题、数据采集成本以及缺乏对训练窗口之外的数据的解释和外推,它们在电力系统领域的能力有限。此外,分布式能源(DER),如风能和太阳能发电的集成增加了电力系统的复杂性和非线性。因此,迫切需要一种可解释的和可靠的方法来增加电力系统运营商的信心和他们的态势感知,以做出可靠的决策。这导致了物理信息神经网络(PINN)模型的发展,使其成为更可解释,更可靠和更强大的模型,其中基本的原则性定律被集成到神经网络模型的训练过程中,以实现更好的性能。本文提出了一种多变量物理信息卷积自动编码器(PIConvAE)模型,用于检测具有不平衡配置和高DER渗透率的配电系统中的网络异常。物理定律通过定制的损失函数集成,该函数将基础基尔霍夫电路定律嵌入自动编码器的训练过程中。在两个不平衡的配电网,IEEE 123总线系统和真实世界的馈线在河滨,CA的多变量PIConvAE模型的性能进行评估。结果表明,所提出的方法在检测两个系统中的各种网络异常的特殊性能。此外,该模型的有效性进行了评估,在数据稀缺的情况下,不同的训练数据比率。最后,将该模型的性能与现有的机器学习模型进行比较,其中PIConvAE模型以相当高的检测指标超过其他模型。
2024-06-05 cs.AI cs.LG cs.SY
Adversarial Disentanglement by Backpropagation with Physics-Informed Variational Autoencoder
Department of Civil Engineering and Geosciences(土木工程与地球科学系);Technical University of Delft(代尔夫特理工大学);Department of Engineering(工程系);University of Cambridge(剑桥大学)
本文提出了一种结合物理信息和数据驱动的变分自编码器,用于解缠输入信号中的物理因素与混杂影响,提升模型的可解释性和泛化能力。
2025-10-16 cs.LG stat.ML
PIGPVAE: Physics-Informed Gaussian Process Variational Autoencoders
SINTEF Digital(SINTEF数字研究院);Norwegian University of Science and Technology(挪威科学与技术大学)
该文提出物理信息高斯过程变分自编码器(PIGPVAE),通过结合物理模型与差异项,从有限数据中生成合成样本,在室内温度数据上达到最先进性能并支持分布外生成。
2025-05-25 cs.LG stat.ML
Phenotypic Profile-Informed Generation of Drug-Like Molecules via Dual-Channel Variational Autoencoders
College of Computer and Information Engineering, Nanjing Tech University(计算机与信息工程学院,南京科技大学)
本文提出SmilesGEN双通道变分自编码器,联合建模药物扰动与转录响应,利用基因特征生成具有理想表型诱导潜力的类药分子,并在有效性、新颖性和药物相似性等指标上优于现有方法。
2025-06-01 cs.AI cs.LG q-bio.BM
Bayesian Tensor Autoencoder with Physics-informed Predictive Prior for Multi-dimensional Time Series Anomaly Detection
Zhejiang University(浙江大学)
针对多维时间序列异常检测中重塑操作破坏内在相关性的问题,提出贝叶斯融合预测先验的张量自编码器框架PPPTAE,融入物理低秩分解规则,在真实数据集上验证了有效性。
2026-09-28 cs.LG
A Physics-Informed Vector Quantized Autoencoder for Data Compression of Turbulent Flow
Duke University(杜克大学)
分析来自湍流模拟的大规模数据是内存密集型的,需要大量资源。这一重大挑战凸显了对数据压缩技术的需求。在这项研究中,我们应用基于矢量量化的物理深度学习技术,从三维湍流模拟中生成离散的低维数据表示。深度学习框架由卷积层组成,并结合了对流的物理约束,例如保持速度梯度的不可压缩性和全局统计特性。使用统计、基于比较的相似性和基于物理的度量来评估模型的准确性。训练数据集由不可压缩、统计稳定、各向同性湍流的直接数值模拟产生。这种有损数据压缩方案的性能进行评估,不仅与看不见的数据从静止的,各向同性的湍流,但也与衰减的各向同性湍流的数据,和泰勒-格林涡流。将压缩比(CR)定义为原始数据大小与压缩数据大小之比,结果表明,我们的基于矢量量化的模型可以提供均方误差(MSE)为$O(10^{-3})$的CR $=85$,以及忠实地再现流的统计数据的预测,除了在非常小的尺度上有一些损失。与最近基于传统自动编码器的研究相比,在连续空间中进行压缩,我们的模型将CR提高了$30$ %以上,并将MSE降低了一个数量级。我们的压缩模型是一个有吸引力的解决方案的情况下,需要快速,高质量和低开销的编码和解码的大数据。
2022-01-12 cs.LG physics.flu-dyn
A Variational Autoencoder Framework for Robust, Physics-Informed Cyberattack Recognition in Industrial Cyber-Physical Systems
Clemson University(克莱姆森大学);Oklahoma State University(俄克拉荷马州立大学)
本文提出一种结合VAE、RNN和DNN的混合数据驱动框架,用于检测、诊断和定位工业网络物理系统中的隐蔽攻击,并区分设备故障,在电力传输系统模拟中验证了其优于传统方法。
2023-10-10 cs.LG cs.SY eess.SY
Learning Mechanistic Subtypes of Neurodegeneration with a Physics-Informed Variational Autoencoder Mixture Model
Sussex AI Centre, School of Engineering and Informatics, University of Sussex, UK(Sussex大学人工智能中心,工程与信息学学院,英国)
本文提出物理信息变分自编码器混合模型,通过集成反应-扩散PDE从神经影像中学习多种潜在动态机制亚型,并在合成数据和阿尔茨海默病PET数据上验证其揭示机制亚型的潜力。
2025-09-18 cs.CV cs.LG eess.IV
tLaSDI: Thermodynamics-informed latent space dynamics identification
Korea Institute for Advanced Study (KIAS)(韩国高等研究院);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室);North Carolina State University(北卡罗来纳州立大学);Pohang University of Science and Technology (POSTECH)(浦项科技大学)
本文提出tLaSDI方法,通过自编码器与神经网络结合GENERIC形式,将热力学定律嵌入潜在空间动力学建模,并引入基于雅可比比的新损失函数实现同步训练,展现出强大的泛化能力。
2024-03-22 cs.LG math.DS
Physics-informed Machine Learning for Calibrating Macroscopic Traffic Flow Models
C2SMART Center(C2SMART中心);Tandon School of Engineering, New York University(纽约大学坦登工程学院)
针对宏观交通流模型校准问题,提出融合交通流物理模型与深度及去噪自动编码器的学习方法,可处理缺失数据,并在 I-210 E 案例中达到优于优化方法的效果。
2023-07-12 cs.LG
$Φ$-DVAE: Physics-Informed Dynamical Variational Autoencoders for Unstructured Data Assimilation
University of Cambridge(剑桥大学);Imperial College London(伦敦帝国理工学院);The Alan Turing Institute(阿兰·图灵研究所)
本文提出物理信息动态变分自编码器($Φ$-DVAE),通过结合标准滤波器与VAE,将视频等非结构化数据同化到微分方程描述的动态系统中,实现未知参数恢复与未见数据预测。
2024-07-24 cs.LG physics.comp-ph stat.CO
PI-VAE: Physics-Informed Variational Auto-Encoder for stochastic differential equations
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
我们提出了一类新的物理信息神经网络,称为物理信息变分自动编码器(PI-VAE),解决随机微分方程(SDES)或反问题涉及SDES。在这些问题中的控制方程是已知的,但只有有限数量的测量系统参数是可用的。PI-VAE由一个变分自动编码器(VAE)组成,它生成系统变量和参数的样本。该生成模型与控制方程相结合。在这种集成中,VAE输出的导数很容易使用自动微分计算,并用于基于物理的损失项。在这项工作中,损失函数被选择为最大平均离散(MMD),以提高性能,和神经网络参数迭代更新使用随机梯度下降算法。我们首先测试所提出的方法近似随机过程。然后,我们研究了三种类型的问题相关的SDES:正问题和反问题,以及混合问题,系统参数和解决方案同时计算。与物理信息生成对抗网络(PI-WGAN)相比,该方法具有令人满意的精度和效率。
2022-03-21 cs.LG stat.ML
Physics-Informed Domain-Invariant Feature Learning with Autoencoder-Driven Gaussian Clustering for Robust Non-line-of-Sight Scenarios
Fraunhofer Institute for Integrated Circuits IIS(弗劳恩霍夫集成电路研究所IIS)
针对非视距下射频干扰波达角估计性能下降问题,提出融合物理约束的混合学习框架,结合自编码器高斯聚类提取域不变特征,提升低样本下跨场景AoA估计精度。
2026-07-07 cs.LG eess.SP stat.ML
Aneurysm Growth Time Series Reconstruction Using Physics-informed Autoencoder
Jiacheng Wu(独立研究者)
本文提出一种物理信息自编码器方法,直接从患者参数重建动脉瘤生长时间序列,通过神经网络学习映射,并利用物理先验约束提升含噪数据下的重建精度。
2025-10-05 cs.LG q-bio.QM stat.AP
A fast and accurate physics-informed neural network reduced order model with shallow masked autoencoder
University of California, Berkeley(加州大学伯克利分校);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
本文提出一种基于浅层掩码自编码器的物理信息神经网络非线性流形降阶模型(NM-ROM),通过超降阶技术高效处理对流主导问题,在1D和2D Burgers方程上分别实现最高2.6倍和11.7倍加速,并推导了后验误差界。
2020-09-28 cs.LG cs.NA cs.NE
Thermodynamics-informed super-resolution of scarce temporal dynamics data
ESI Group(ESI集团);Aragon Institute of Engineering Research (I3A)(阿拉贡工程研究所);Universidad de Zaragoza(萨拉戈萨大学);Universidad Politécnica de Madrid(马德里理工大学);ENSAM Institute of Technology(法国国立高等机械与航空技术学院)
提出一种基于对抗自编码器和保结构神经网络的方法,通过学习潜在变量和度量辛结构并施加热力学约束,实现物理系统测量数据的超分辨率与时间演化预测。
2024-07-03 cs.LG physics.comp-ph
DiffPINN: Generative diffusion-initialized physics-informed neural networks for accelerating seismic wavefield representation
Division of Physical Science and Engineering(物理科学与工程学院);King Abdullah University of Science and Technology(卡布斯大学)
针对PINNs在地震波场建模中重新训练耗时且收敛缓慢的问题,提出基于潜在扩散的初始化策略,通过自编码器与条件扩散模型生成网络参数,显著加速训练并在多种速度场景下保持高精度。
2025-05-31 cs.LG physics.comp-ph physics.geo-ph
UTOPYA: A Multimodal Deep Learning Framework for Physics-Informed Anomaly Detection and Time-Series Prediction
Department of Chemical Engineering, Norwegian University of Science and Technology (NTNU)(化学工程系,挪威科学与技术大学);Department of Computing, Imperial College London(计算系,帝国理工学院伦敦分校)
本文提出UTOPYA框架,通过融合八种数据模态,利用FiLM条件交叉模态注意力和门控融合,共同解决批次蒸馏中的异常检测、时间序列预测和相分类问题,并通过物理信息正则化方案和课程学习方法提升性能。
2026-05-18 cs.LG
Physics-Informed Real NVP for Satellite Power System Fault Detection
Politecnico di Torino(都灵理工大学);Argotec SRL(阿戈泰克公司)
本文提出物理信息 Real NVP 故障检测方法,在 NASA ADAPT 电力系统数据集上优于 GRU 和 Autoencoder 等方法,可提升卫星 EPS 故障检测的稳健性与可靠性。
2024-12-02 cs.LG cs.RO
Accelerating lensed quasar discovery and modeling with physics-informed variational autoencoders
Technical University of Munich(慕尼黑工业大学);Max-Planck-Institut für Astrophysik(马克斯·普朗克天体物理研究所);Università degli Studi di Milano(米兰大学);INAF – IASF Milano(意大利国家天体物理研究所米兰分部);Academia Sinica Institute of Astronomy and Astrophysics (ASIAA)(中央研究院天文及天文物理研究所);Aix-Marseille Université(艾克斯-马赛大学);American Museum of Natural History(美国自然历史博物馆);Lehman College of the CUNY(纽约城市大学莱曼学院)
本文提出物理信息变分自编码器模型 VariLens,可在单 CPU 毫秒级完成透镜分类与 SIE 参数建模,并从约8000万源中筛选出42个待光谱确认的透镜类星体候选体。
2025-01-27 astro-ph.CO astro-ph.GA astro-ph.IM
Unsupervised physics-informed disentanglement of multimodal data for high-throughput scientific discovery
Sandia National Laboratories(桑迪亚国家实验室);Arizona State University(亚利桑那州立大学)
我们引入物理信息的多模态自编码器(PIMA)-一个变分推理框架,用于在代表高通量测试的多模态科学数据集中发现共享信息。个体模态被嵌入到共享的潜在空间中,并通过专家公式化的产品进行融合,从而在识别共享特征之前实现高斯混合。从集群采样允许跨模态生成建模,与专家解码器的混合施加归纳偏见编码先前的科学知识和赋予潜在空间的结构化解纠缠。这种方法能够发现可以在高维异构数据集中检测到的指纹,避免了与高保真测量和表征相关的传统瓶颈。受材料制造过程的加速协同设计和优化的启发,来自金属增材制造的晶格超材料数据集展示了中尺度拓扑图像和机械应力-应变响应之间的准确交叉模态推断。
2022-02-07 cs.LG stat.ML
Reconstructing Fine-Grained Network Data using Autoencoder Architectures with Domain Knowledge Penalties
Peraton Labs(佩拉顿实验室)
针对大规模原始网络流量收集存储的挑战,该研究提出结合领域知识惩罚项的自动编码器架构,从粗粒度特征重建细粒度网络会话数据,提升网络安全模型的训练与威胁检测能力。
2025-04-15 cs.LG cs.NI
Generating Synthetic Net Load Data with Physics-informed Diffusion Model
本文提出一种物理信息扩散模型,通过将物理模型嵌入去噪网络联合训练参数,用于生成合成净负荷数据。基于真实数据验证,该方法在所有定量指标上均优于现有生成模型,性能提升至少20%。
2024-06-04 cs.AI cs.LG
Knowledge-Guided Masked Autoencoder with Linear Spectral Mixing and Spectral-Angle-Aware Reconstruction
本文提出一种结合物理约束的知识引导掩码自编码器,通过线性光谱混合和光谱-角度感知重建提升模型的可解释性和泛化能力。
2026-02-10 cs.LG
Physics Informed Convex Artificial Neural Networks (PICANNs) for Optimal Transport based Density Estimation
University of Utah(犹他大学);Florida State University(佛罗里达州立大学)
最优质量输运(OMT)是一个研究得很好的问题,在从物理到计算机视觉,特别是统计学和数据科学的各种领域中具有各种应用。自1781年蒙日提出最优运输映射以来,人们在最优运输映射的存在性、唯一性和性质方面取得了重大理论进展。运输地图的实际数值计算,特别是在高维,仍然是一个具有挑战性的问题。利用Brenier定理,连续OMT问题可归结为求解一个解为凸函数的Monge-Ampere型非线性偏微分方程。在本文中,基于最近的发展,输入凸神经网络和物理通知神经网络解决偏微分方程的,我们提出了一个深度学习方法来解决连续OMT问题。为了证明我们的框架的通用性,我们专注于无处不在的密度估计和生成建模任务的统计和机器学习。最后,作为一个例子,我们展示了我们的框架可以与自动编码器结合,以估计一个有效的概率生成模型。
2021-10-22 cs.LG
gLaSDI: Parametric Physics-informed Greedy Latent Space Dynamics Identification
University of California, San Diego(加州大学圣地亚哥分校);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室);University of Arizona(亚利桑那大学)
本研究提出参数化物理信息驱动的贪心潜空间动力学识别方法gLaSDI,结合自编码器、局部动力学模型与自适应贪心采样,实现高维非线性系统高效降阶建模,精度优于均匀采样且加速比达17-2658倍。
2023-05-18 cs.CE cs.LG cs.NA
Physics-Informed GCN-LSTM Framework for Long-Term Forecasting of 2D and 3D Microstructure Evolution
本文提出一种物理信息GCN-LSTM框架,在潜在图空间中联合学习不同成分数据,实现二维和三维微观结构演化的高效长期预测。
2025-09-18 cond-mat.mtrl-sci cs.CE cs.LG
IDM-Follower: A Model-Informed Deep Learning Method for Long-Sequence Car-Following Trajectory Prediction
Purdue University(普渡大学)
基于模型和基于学习的方法是对车辆跟驰行为建模的两种主要方法。基于模型的方法用显式的数学方程描述跟驰行为,而基于学习的方法则侧重于获得输入和输出之间的映射。这两种方法各有优缺点。同时,大多数车辆跟驰模型是生成式的,只考虑上一个时间步的速度、位置和加速度输入。为了解决这些问题,本研究提出了一种新的框架,称为IDM跟随器,可以产生一个序列的后续车辆轨迹由一个经常性的自动编码器通知的物理跟车模型,智能驾驶模型(IDM)。我们实现了一种新的结构,两个独立的编码器和一个自我注意解码器,可以顺序预测后续轨迹。一个损失函数,考虑预测和标记的数据与基于模型的预测的差异集成之间的差异来更新神经网络参数。在仿真和NGSIM数据集上进行的多设置数值实验表明,与单独的基于模型或基于学习的方法相比,IDM跟随器可以提高预测性能。对不同噪声水平的分析也表明该模型具有较好的鲁棒性。
2022-10-20 cs.LG cs.RO cs.SY
Efficient Aircraft Design Optimization Using Multi-Fidelity Models and Multi-fidelity Physics Informed Neural Networks
Bangladesh University of Engineering and Technology(孟加拉国工程技术大学)
本研究利用多保真物理指导神经网络和生成对抗网络,实现高效飞机设计优化,提升设计迭代速度与经济性。
2026-02-28 cs.CE cs.LG
Physics-Informed Super-Resolution Diffusion for 6D Phase Space Diagnostics
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
本研究提出自适应物理信息超分辨率扩散方法,结合VAE实现带电粒子束6D相空间密度非侵入式诊断,可无监督跟踪时变束流,在HiRES UED数据上验证有效且对分布偏移鲁棒。
2025-01-11 cs.LG math.DS physics.acc-ph
Solving Bayesian Inverse Problems via Variational Autoencoders
Oden Institute for Computational Engineering and Sciences(奥登计算工程与科学研究所);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
近年来,机器学习领域在追求模拟真实世界数据生成过程方面取得了惊人的进展。这种成功的一个显著例子是变分自动编码器(VAE)。在这项工作中,随着视角的微小转变,我们利用和适应VAE用于不同的目的:科学逆问题中的不确定性量化。我们介绍UQ-VAE:一种灵活的、自适应的、混合数据/模型通知的框架,用于训练神经网络,该神经网络能够对表示感兴趣的未知参数的后验分布进行快速建模。具体来说,从基于发散的变分推断,我们的框架是派生的,使得大多数的信息通常存在于科学的逆问题是充分利用在训练过程中。此外,该框架包括一个可调节的超参数,允许选择后验模型和目标分布之间的距离概念。这在控制优化如何指导后验模型的学习方面引入了更多的灵活性。此外,该框架具有固有的自适应优化属性,通过学习后验不确定性而出现。
2021-12-28 cs.LG eess.IV stat.ML
Sparse Autoencoders for Low-$N$ Protein Function Prediction and Design
Georgia Institute of Technology(佐治亚理工学院)
本研究系统评估了稀疏自编码器在低样本蛋白质功能预测与设计中的有效性,发现其仅用24条序列即可优于ESM2基线,并通过引导潜在变量在83%案例中生成最高适应性变体。
2025-08-25 cs.LG q-bio.QM
SimEx: Express Prediction of Inter-dataset Similarity by a Fleet of Autoencoders
IBM(国际商业机器公司);Yonsei University(延世大学);Oak Ridge National Laboratory(橡树岭国家实验室)
了解数据集之间的相似性在训练有效模型方面具有许多积极的意义,例如帮助从已知数据集中进行明智的选择,以利于模型转移或未知数据集的数据增强问题。估计数据之间相似性的常见做法包括在原始样本空间中进行比较,在嵌入空间中从执行特定任务的模型进行比较,或者用不同的数据集微调预训练模型并评估其性能变化。然而,这些做法会受到肤浅的比较,特定于任务的偏见,或执行比较所需的大量时间和计算的影响。我们提出了SimEx,这是一种使用一组预训练的自编码器来早期预测数据集间相似性的新方法,其中每个自编码器都致力于重建已知数据的特定部分。具体来说,我们的方法将未知的数据样本作为这些预训练的自动编码器的输入,并评估重建的输出样本与其原始输入样本之间的差异。我们的直觉是,未知数据样本与自动编码器训练的已知数据部分之间的相似性越大,自动编码器利用其训练知识重建更接近原始数据的输出样本的机会就越大。我们证明,与常见的相似性估计实践相比,我们的方法在预测数据集间相似性方面实现了10倍以上的速度提升。我们还证明了,通过我们的方法估计的数据集间相似性与常见的实践具有良好的相关性,并且优于在样本或嵌入空间进行比较的基线方法,而无需在比较时进行新的训练。
2020-01-14 cs.CV cs.LG
Optical Inversion and Spectral Unmixing of Spectroscopic Photoacoustic Images with Physics-Informed Neural Networks
Georgia Institute of Technology(佐治亚理工学院);Helmholtz Zentrum Munich(慕尼黑海德堡研究中心);Technische Universität München(慕尼黑技术大学);Emory University School of Medicine(埃默里大学医学院);The Wallace H. Coulter Department of Biomedical Engineering(沃克生物医学工程系)
本研究提出SPOI-AE模型,利用物理信息神经网络解决光谱光声成像中的光学反演与光谱解混问题,通过实验验证其在生物组织参数估计中的有效性。
2026-02-18 cs.LG q-bio.QM
RVRAE: A Dynamic Factor Model Based on Variational Recurrent Autoencoder for Stock Returns Prediction
North Carolina State University(北卡罗来纳州立大学)
本文提出融合动态因子建模与VRAE的RVRAE概率模型,通过先验—后验学习捕捉市场时序依赖与噪声,并同时实现收益预测和风险方差估计,实证表现优于多种基线。
2024-03-04 cs.LG q-fin.PM q-fin.PR
Ga$_2$O$_3$ TCAD Mobility Parameter Calibration using Simulation Augmented Machine Learning with Physics Informed Neural Network
San Jose State University(圣何塞州立大学);University of Hong Kong(香港大学)
本文提出利用模拟增强的机器学习与物理信息神经网络,实现Ga₂O₃ TCAD迁移参数的自动校准与提取。
2025-11-27 cs.LG
Mitigating Data Scarcity in Spaceflight Applications for Offline Reinforcement Learning Using Physics-Informed Deep Generative Models
Aerospace Engineering Department, Worcester Polytechnic Institute(沃斯彻斯特理工学院航空航天工程系);Aerospace Engineering Department(航空航天工程系)
本文提出基于互信息的分裂变分自编码器(MI-VAE),通过引入物理约束生成符合物理规律的合成数据集,提升空间飞行任务中离线强化学习的性能。
2026-05-09 cs.LG
Physics-Constrained Denoising Autoencoders for Data-Scarce Wildfire UAV Sensing
FEWALab and Geological Sciences and Geological Engineering, Queen’s University(FEWALab及地质科学与地质工程、女王大学);School of Environmental Studies(环境研究学院;地质科学与地质工程、女王大学);Geological Sciences and Geological Engineering, Queen’s University
本文提出PC²DAE,一种融合物理约束的去噪自编码器,通过在网络架构中嵌入物理约束解决数据稀缺问题,实现高精度野火监测。
2026-01-16 cs.CV cs.LG cs.RO
Non-intrusive Learning of Physics-Informed Spatio-temporal Surrogate for Accelerating Design
Raytheon Technologies Research Center(雷神技术研究中心)
本文提出一种结合Koopman自编码器和时空替代模型的物理信息时空替代框架,用于解决高保真模拟计算瓶颈问题,通过非侵入式方法提升流体动力学设计效率。
2026-04-15 cs.LG physics.flu-dyn
CellStream: Dynamical Optimal Transport Informed Embeddings for Reconstructing Cellular Trajectories from Snapshots Data
针对现有单细胞轨迹推断方法忽略时间结构的问题,提出结合自编码器与非平衡动态最优传输的深度学习框架CellStream,可联合学习嵌入与细胞动态,在模拟和真实数据上均取得更优性能。
2025-11-16 cs.LG q-bio.GN
Introducing a microstructure-embedded autoencoder approach for reconstructing high-resolution solution field data from a reduced parametric space
Helmut-Schmidt University/University of the Federal Armed Forces(赫尔穆特·施密特大学/联邦武装部队大学);Access e.V.
本文提出微结构嵌入自编码器(MEA),将参数空间信息分步拼接到解码器,从降维参数空间重建高分辨率解场,在热传导测试中优于U-Net、插值和FFNN等方法。
2024-05-07 cs.CE cs.LG
ViDa: Visualizing DNA hybridization trajectories with biophysics-informed deep graph embeddings
UBC(不列颠哥伦比亚大学)
本研究提出ViDa可视化方法,结合散射变换、变分自编码器与非线性降维,加入生物物理领域监督损失,实现DNA杂交反应轨迹的高质量二维嵌入,优于现有方法,可揭示反应机制。
2023-11-06 cs.AI cs.HC cs.LG
Analyzing Koopman approaches to physics-informed machine learning for long-term sea-surface temperature forecasting
Pacific Northwest National Laboratory(太平洋西北国家实验室);California Polytechnic State University(加州州立理工大学)
针对长期海表温度预测需求,基于Koopman算子理论提出机器学习预测方法,结合卷积自编码器与新的一致Koopman方法,实现墨西哥湾180天海温预测且性能优于基线。
2021-02-22 cs.LG physics.ao-ph physics.comp-ph
PILA: Physics-Informed Low Rank Augmentation for Interpretable Earth Observation
Department of Computer Science and Technology, University of Cambridge(计算机科学与技术系,剑桥大学);Clare Hall, University of Cambridge(剑桥大学克莱尔学院);Cyclops AI;Department of Earth Sciences, University of Cambridge(地球科学系,剑桥大学)
PILA通过低秩增强方法提升地球观测中物理模型的可解释性和准确性,有效解决不完整物理模型的反演问题。
2025-12-18 cs.LG
Data-efficient and Interpretable Inverse Materials Design using a Disentangled Variational Autoencoder
Institute for Experiential AI, Northeastern University(东北大学体验式人工智能研究所);The Roux Institute, Northeastern University(东北大学鲁克斯研究所)
本文提出了一种基于解耦变分自编码器的半监督学习方法,用于高效且可解释的逆材料设计,通过解耦潜在变量与目标属性提升模型鲁棒性与可解释性。
2026-02-10 cond-mat.mtrl-sci cs.LG