English(EN) Repulsive Ensembles for Bayesian Inference in Physics-informed Neural Networks

新的 RE-PINN 方法增强了物理信息神经网络中的不确定性估计

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-27 04:00

研究人员开发了一种名为“用于物理信息神经网络的贝叶斯推断的排斥集成”（RE-PINN）的新方法，以改进物理信息神经网络（PINNs）中的不确定性量化。该方法向损失函数添加了一个排斥项，鼓励集成预测更好地表示真实的贝叶斯后验。与倾向于收敛到单一最大后验解的标准集成不同，RE-PINN 生成了更多样化和准确的不确定性估计，并被证明对低维问题有效。 AI

影响增强了科学应用中神经网络的不确定性量化。

排序理由该集群包含一篇研究论文，详细介绍了改进神经网络中不确定性量化的一种新方法。[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: 27 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇研究论文，详细介绍了改进神经网络中不确定性量化的一种新方法。[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, other; 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: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Philipp Pilar, Markus Heinonen, Niklas Wahlstr\"om · 2026-10-27 04:00

用于物理信息神经网络中贝叶斯推断的排斥集成

arXiv:2505.17308v2 Announce Type: replace Abstract: Physics-informed neural networks (PINNs) have proven an effective tool for solving differential equations, in particular when considering the inverse problem. When inferring solutions and parameters of the differential equation …

本文如何被排名

报道来源 [1]

用于物理信息神经网络中贝叶斯推断的排斥集成

相关实体

相关话题