English(EN) Generative AI-enhanced Probabilistic Multi-Fidelity Surrogate Modeling Via Transfer Learning

生成式AI和迁移学习增强工程代理建模

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-23 04:00

研究人员开发了一个新颖的概率多保真代理建模框架，该框架利用生成式AI和迁移学习来解决复杂工程系统中的数据稀疏性问题。该方法使用一个归一化流生成模型，首先在大量的低保真数据上进行预训练，然后在一个有限的高保真数据集上进行微调。这种方法能够进行准确的概率预测并量化不确定性，其性能优于传统的低保真基线模型，并减少了对昂贵的高保真仿真的需求。该框架已在基准系统上得到验证，展示了其在工程领域数据高效的AI驱动代理方面的潜力。 AI

影响这项研究为复杂工程模拟提供了更具数据效率的AI驱动代理的途径。

排序理由该集群包含一篇详细介绍代理建模新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍代理建模新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 53 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Jice Zeng, David Barajas-Solano, Hui Chen · 2026-07-23 04:00

基于迁移学习的生成式AI增强概率多保真代理建模

arXiv:2602.00072v2 Announce Type: replace-cross Abstract: The performance of machine learning surrogates is critically dependent on data quality and quantity. This presents a major challenge, as high-fidelity (HF) data is often scarce and computationally expensive to acquire, whi…

本文如何被排名

报道来源 [1]

基于迁移学习的生成式AI增强概率多保真代理建模

相关实体

相关话题