PulseAugur
中
实时 15:38:45
English(EN) Geometry-Aware Post-Hoc Uncertainty Quantification in Operator Learning

新的REEF-GP框架增强了神经算子不确定性量化

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的神经算子事后不确定性量化框架REEF-GP。该方法将高斯过程拟合到冻结的神经算子残差上，利用其内部嵌入来创建几何感知的 umbertainty 估计。REEF-GP 结合了谱归一化投影和高效的子集训练，以确保稳定性和可扩展性，在各种 PDE 基准测试中，其校准和成本均优于深度集成，同时对几何分布变化保持鲁棒性。 AI

影响 通过提供校准的不确定性估计，增强了神经算子在复杂科学模拟中的可靠性。

排序理由 该集群包含一篇详细介绍新研究方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Oriol Vendrell-Gallart, Nima Negarandeh, Ramin Bostanabad ·

    Geometry-Aware Post-Hoc Uncertainty Quantification in Operator Learning

    arXiv:2606.17513v1 Announce Type: cross Abstract: Neural operators provide fast surrogates for PDEs but their deterministic predictions limit their use in tasks requiring uncertainty quantification (UQ), especially under geometric variability. Existing approaches primarily model …

相关实体

相关话题