@文章{JCM-39-848，author={Yan、Liang和Zhou、Tao}，title={一种通过深度神经网络进行随机优化采样的加速策略}，journal={计算数学杂志}，年份={2021}，体积={39}，数字={6}，页码={848--864}，抽象={随机时间优化（RTO）被广泛用于贝叶斯反问题的后验分布抽样。然而，由于对昂贵的正向模型及其梯度进行重复评估，RTO对于复杂问题可能需要大量计算。在这项工作中，我们提出了一种新的面向目标的深度神经网络（DNN）代理方法，以大幅减少RTO的计算负担。特别是，我们建议从局部近似后验分布中提取DNN代理的训练点，从而产生一种收敛于直接RTO方法的灵活高效的采样算法。我们提出了一个由椭圆偏微分方程控制的贝叶斯反问题，以证明我们的DNN-RTO方法的计算精度和效率，这表明DNN-RT0可以显著优于传统RTO。
},issn={1991-7139}，doi={https://doi.org/10.4208/jcm.2102-m2020-0339},url={http://global-sci.org/intro/article_detail/jcm/19914.html}}
TY-JOUR公司T1-一种通过深度神经网络进行随机然后优化采样的加速策略欧阳亮AU-Zhou、TaoJO-计算数学杂志VL-6SP-848EP-8642021年上半年DA-2021/10年序号-39做-http://doi.org/10.4208/jcm.2102-m2020-0339UR-（欧元）https://global-sci.org/intro/article_detail/jcm/19914.htmlKW-贝叶斯反问题，深度神经网络，马尔可夫链蒙特卡罗。AB公司-随机时间优化（RTO）被广泛用于贝叶斯反问题的后验分布抽样。然而，由于对昂贵的正向模型及其梯度进行重复评估，RTO对于复杂问题可能需要大量计算。在这项工作中，我们提出了一种新的面向目标的深度神经网络（DNN）代理方法，以大幅减少RTO的计算负担。特别是，我们建议从局部近似后验分布中提取DNN代理的训练点，从而产生一种收敛于直接RTO方法的灵活高效的采样算法。我们提出了一个由椭圆偏微分方程控制的贝叶斯反问题，以证明我们的DNN-RTO方法的计算精度和效率，这表明DNN-RT0可以显著优于传统RTO。
梁燕和陶周。(2021). 基于深度神经网络的随机时间优化采样加速策略。计算数学杂志.39(6).848-864.doi:10.4208/jcm.2102-m2020-0339
复制到剪贴板
