PulseAugur
中
实时 07:28:16
English(EN) Structured Neural Chaos: An Adaptive Surrogate Modeling Framework for Functional Uncertainty Quantification and Global Sensitivity Analysis

结构化神经混沌框架增强不确定性量化

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的代理建模框架——结构化神经混沌（sNC），该框架专为不确定性量化和全局敏感性分析而设计。该方法结合了多项式混沌展开的可解释性与神经网络的强大功能，以近似复杂系统。sNC展开自适应地识别功能ANOVA子空间内的主要模式，从而能够有效地提取统计和敏感性量。 AI

影响 该框架有望提高分析具有高维输入的复杂系统的效率和可解释性。

排序理由 该集群包含一篇详细介绍不确定性量化和敏感性分析新框架的研究论文。[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 →

结构化神经混沌框架增强不确定性量化

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Isabel Corona Guevara, Yeping Hu ·

    结构化神经混沌：用于函数不确定性量化和全局敏感性分析的自适应代理建模框架

    arXiv:2607.28903v1 Announce Type: new Abstract: Variance-based global sensitivity analysis (GSA) plays a key role in uncertainty quantification by identifying the contributions of uncertain inputs to the variability of the model response. The repeated model evaluations required f…

相关实体

相关话题