×
兰夫特，萨沙;Rolf Pissarchyk，马尔特;格洛丽亚·沃尔克斯托弗;安东尼奥·佩佩;简·艾格;沃尔夫冈·冯·德·林登;格哈德·霍尔扎普费尔（Gerhard A.Holzapfel）。

主动脉壁不均匀性的随机建模和使用贝叶斯编码-解码代理的不确定性量化。 （英语） Zbl 1507.74010号

计算。方法应用。机械。工程师。 401，B部分，文章ID 115594，34 p.（2022）.
总结：主动脉壁的不均匀性可能导致局部应力积聚，可能引发剥离。在许多情况下，解剖是由病理变化引起的，例如弹性纤维断裂或丢失。但研究表明，即使是健康的主动脉壁也具有固有的异质性微观结构。主动脉的某些部分特别容易因病理变化而出现不均匀性，但主动脉壁的分布和空间范围，如大小、形状和类型，很难预测。基于这一观察结果，我们使用随机本构模型描述了主动脉夹层中弹性纤维降解的非均匀分布。为此，在非等距网格上生成模拟降解弹性纤维随机分布的随机场实现。然后，随机场用作病理性主动脉壁单轴拉伸试验的输入，并用有限元方法求解。为了包括解剖主动脉壁的微观结构，应用了先前研究中开发的本构模型，该模型还包括一种模拟层间弹性纤维降解的方法。然后，为了评估由于提出的随机本构模型而导致的输出应力分布的不确定性，使用卷积神经网络，特别是贝叶斯编码器-解码器，作为代理模型，将随机输入场映射到从有限元分析获得的输出应力分布。结果表明，神经网络能够预测有限元分析中的应力分布，同时也大大缩短了计算时间。此外，这提供了主动脉壁内超过特定破裂应力的概率，从而可以预测分层或致命破裂。

引用于1文件

MSC公司：

74-10 可变形固体力学问题的数学建模或模拟
60G60型 随机字段
62英尺15英寸 贝叶斯推断
74升15 生物力学固体力学

关键词：

随机本构模型;有限元分析;纤维组织;主动脉夹层;β随机场;贝叶斯不确定性量化

软件：

nnU净值;费阿普;亚当;ImageNet公司;Krylstat公司;达奇;新加坡存托凭证;PyTorch公司;掌中宽带;张紧器2传感器;PhyGeoNet（物理地理网）;ViT公司
PDF格式BibTeX公司 XML格式引用
\textit{S.Ranftl}等人，计算。方法应用。机械。工程401，B部分，文章ID 115594，34 p.（2022；Zbl 1507.74010）
全文： 内政部 arXiv公司

参考文献：

[1] Astrand，H。；Stálhand，J。；卡尔森，J。；卡尔森，M。；Sonesson，B。；Länne，T.，人体腹主动脉弹性蛋白和胶原蛋白对力学性能贡献的体内估计：年龄和性别的影响，J.Appl。生理学。，110, 1, 176-187 (1985)
[2] 斯特凡纳迪斯，C。；齐亚米斯，E。；瓦拉科普洛斯，C。；斯特拉托斯，K。；Pitsavos，C。；马拉卡斯，S。；布杜拉斯，H。；Toutouzas，P.，吸烟对人体主动脉弹性特性的不利影响，《循环》，95，1，31-38（1997）
[3] 罗卡比安卡，S。；Figueroa，C.A。；特利德斯，G。；Humphrey，J.D.，《老年人主动脉硬度区域差异的量化》，J.Mech。行为。生物识别。材料。，29, 618-634 (2014)
[4] Di Giuseppe，M。；Zingales，M。；意大利面，S。；Avril，S.，《承受径向张力的主动脉壁剥离前应变定位的体外测量》，实验力学。，61, 119-130 (2021)
[5] 汉弗莱，J.D。；Schwartz，医学硕士。；特利德斯，G。；Milewicz，D.M.，机械传导在血管生物学中的作用，Circ。第116、81448-1461号决议（2015年）
[6] Halushka，M.K.，《主动脉遗传疾病（包括动脉瘤）》，（Willis，M.S.；Homeister，J.W.；Stone，J.R.，《心血管疾病的细胞和分子病理生物学》（2014），学术出版社），239-255
[7] Tsamis，A。；Krawiec，J.T。；Vorp，D.A.，《人类主动脉在衰老和疾病中的弹性蛋白和胶原纤维微观结构：综述》，J.R.Soc.Interface，10，83，Article 20121004 pp.（2013）
[8] 拉科利，P。；雷诺特，V。；Avolio，A.P.，《平滑肌细胞和动脉老化：基础和临床方面》，心血管。第114、4、513-528号决议（2018年）
[9] Humphrey，J.D.，糖胺聚糖在胸主动脉夹层中的可能机械作用以及与调节失调的转化生长因子的相关性，J.Vasc。第50、1、1-10号决议（2013年）
[10] 沈毅。；LeMaire，S.，遗传性和散发性主动脉瘤和夹层的分子发病机制，Curr。问题。外科，54，3，95-155（2017）
[11] 博尔赫斯，L.F。；图亚特，Z。；Leclercq，A。；Zen，A.A.H。；Jondeau’，G。；法郎，B。；菲利普，M。；Meilhac，O。；古铁雷斯，P.S。；Michel，J.-B.，金属蛋白酶在升主动脉瘤和夹层中的组织扩散和保留，人类病理学。，40, 3, 306-313 (2009)
[12] Cikach，F.S。；科赫，C.D。；米德·T·J。；加拉蒂奥托，J。；威拉德，B.B。；埃默顿，K.B。；伊格尔顿，M.J。；Blackstone，E.H。；拉米雷斯，F。；Roselli，E.E。；Apte，S.S.，《胸主动脉瘤和夹层中大量聚集聚糖和云芝多糖积聚》，JCI Insight，3，5，文章e97167 pp.（2018）
[13] Halushka，M.K。；Angelini，A。；巴托洛尼，G。；巴索，C。；Batoroeva，L.公司。；布鲁内瓦尔，P。；Buja，L.M。；Butany，J。；d'Amati，G。；法伦，J.T。；加拉赫，P.J。；Gittenberger-de Groot，A.C。；Gouveia，R.H。；科洛娃，I。；Kelly，K.L。；塞拉利昂，O。；Litovsky，S.H。；马列舍夫斯基，J.J。；Miller，D.V。；米切尔，R.N。；普雷斯顿，S.D。；A.普奇。；S.J.电台。；罗德里格斯，E.R。；Sheppard，M.N。；斯通，J.R。；Suvarna，S.K。；Tan，C.D。；硫，G。；Veinot，J.P。；van der Wal，A.C.，心血管病理学会和欧洲心血管病理学会关于主动脉手术病理学的共识声明：II。非炎症性退行性疾病-命名和诊断标准，心血管。病理学。，25, 3, 247-257 (2016)
[14] Bäumler，K。；维杜拉，V。；水手，上午。；Seo，J。；Chiu，P。；Mistelbauer，G。；Chan，F.P。；Fischbein，M.P。；马斯登，A.L。；Fleischmann，D.，患者特异性主动脉夹层的流体-结构相互作用模拟，Biotech。机械双醇模型。，19, 5, 1607-1628 (2020)
[15] Eleid，M.F。；福特，I。；爱德华兹，W.D。；Maleszewski，J.J。；苏里·R·M。；沙夫，H.V。；Enriquez-Sarano，M。；Michelena，E.I.，《二叶主动脉瓣患者的a型主动脉夹层：与三叶主动脉瓣的临床和病理比较》，《心脏》，99，22，1668-1674（2013）
[16] 佩佩，A。；Li，J.等人。；罗尔夫·皮萨奇克，M。；Gsakner，C.（格萨克斯纳，C.）。；陈，X。；Holzapfel，G.A。；《主动脉夹层的检测、分割、模拟和可视化：综述》，医学图像分析。，第65条，第101773页（2020年）
[17] 罗卡比安卡，S。；Ateshian，G.A。；Humphrey，J.D.，《糖胺聚糖在胸主动脉夹层中的内侧汇集的生物力学作用》，Biomech。机械双醇模型。，13, 1, 13-25 (2014)
[18] 罗卡比安卡，S。；Bellini，C。；Humphrey，J.D.，《计算模型表明糖胺聚糖在动脉壁力学和机械生物学中的良好、不良和丑陋作用》，J.R.Soc.Interface，11，97，Article 20140397 pp.（2014）
[19] Ahmadzadeh，H。；Rausch，M.K。；Humphrey，J.D.，《动脉疾病的基于粒子的计算模型》，J.R.Soc.Interface，第15页，第149页，第20180616条，pp.（2018）
[20] Ahmadzadeh，H。；劳什，M。；Humphrey，J.D.，使用基于颗粒的方法模拟主动脉壁内的板层破裂，科学。代表，9，15320（2019）
[21] 比勒，J。；Gee，M.W。；Wall，W.A.，基于贝叶斯多保真度方案的复杂大规模生物力学问题中的有效不确定性量化，生物医学。模型。机械双醇。，14, 3, 489-513 (2015)
[22] 扶正器，B。；Guilleminota，J.，各向异性应变能函数的随机场模型及其在血管力学不确定性量化中的应用，计算机。方法。申请。机械。工程师，33394-113（2018）·Zbl 1440.74021号
[23] Vanmarck，E.，Random Fields（2010），《世界科学》·Zbl 1220.60030号
[24] Malyarenko，A。；Ostoja-Starzewski，M.，（《连续统物理的张量值随机场》，《连续统物理学的张量值域》，剑桥数学物理专著（2018），剑桥大学出版社）
[25] 克莱门特，A。；Soize，C。；Yvonnet，J.，《使用非电流多尺度方法进行超弹性非均匀微观结构分析的计算非线性随机均匀化》，国际期刊数值。方法工程，91，799-824（2012）
[26] 马，J。；Sahraee，S。；Wriggers，P。；De Lorenzis，L.，有限变形下非均质材料的随机多尺度均匀化分析，微观结构完全不确定性，计算。机械。，55819-835（2015年）·Zbl 1329.74243号
[27] Jeulin，D。；Ostoja-Starzewski，M.，《随机和多尺度微结构力学》，第661卷（2001年），施普林格出版社·Zbl 0984.00031号
[28] Jeulin，D。；Kanit，T。；Forest，S.，《代表性体积元素：统计观点》（Bergman，D.J.；Inan，E.，《连续模型和离散系统》（2004），Springer），21-27·Zbl 1092.74039号
[29] Ostoja-Starzewski，M.，《材料空间随机性：从统计到代表性体积元素》，概率工程力学。，21, 2, 112-132 (2006)
[30] Sanei，S.H.R。；Fertig，R.S.，基于局部纤维体积分数变化的微观结构随机建模的不相关体积元，Compos。科学。技术。，117, 191-198 (2015)
[31] 拉斯穆森，C.E。；Williams，C.K.I.，《机器学习的高斯过程》（2006），麻省理工学院出版社·Zbl 1177.68165号
[32] 张杰。；刘凯。；罗，C。；Chattopadhyay，A.，《使用基于统计体积元素的多尺度建模对铝耳接头进行裂纹萌生和疲劳寿命预测》，J.Intell。马特。系统。结构。，24, 17, 2097-2109 (2013)
[33] 张杰。；Johnston，J。；Chattopadhyay，A.，铝合金疲劳裂纹预测的基于物理的多尺度损伤准则，疲劳分形。工程材料。结构。，37, 2, 119-131 (2014)
[34] 冯·德·林登，W。；剂量，V。；von Toussaint，U.，《贝叶斯概率理论：在物理科学中的应用》（2014），剑桥，剑桥大学出版社·兹比尔1358.62008
[35] Ranftl，S.公司。；冯·德·林登，W.，《贝叶斯替代分析和不确定性传播》，《物理学》。科学。论坛，6，3（2021年）
[36] 埃克·V·G。；Donders，W.P。；Sturdy，J。；范伯格，J。；Delhaas，T。；Hellevik，L.R。；Huberts，W.，《心血管应用的不确定性量化和敏感性分析指南》，国际期刊编号。方法生物识别。工程，32，8，文章e02755 pp.（2016）
[37] Ghanem，R.G。；奥瓦迪，H。；Higdon，D.，《不确定性量化手册》（2017），施普林格·Zbl 1372.60001号
[38] 秀，D。；Karniadakis，G.E.，随机微分方程的Wiener-Askey多项式混沌，SIAM J.Sci。计算。，27, 3, 1118-1139 (2005) ·Zbl 1091.65006号
[39] 克雷斯塔克斯，T。；Le Maêtre，O.P。；Martinez，J.-M.，灵敏度分析的多项式混沌展开，Reliab。工程系统。安全。，94, 7, 1161-1172 (2009)
[40] O'Hagan，A.，预测曲线拟合和优化设计，J.R.Stat.Soc.Ser。B统计方法。，40, 1, 1-42 (1978) ·Zbl 0374.62070号
[41] Tripathy，R.K。；Bilionis，I.，Deep UQ：学习深度神经网络替代模型，用于高维不确定性量化，J.Compute。物理。，375, 565-588 (2018) ·Zbl 1419.68084号
[42] 朱，Y。；Zabaras，N.，《替代建模和不确定性量化的贝叶斯深度卷积编解码网络》，J.Compute。物理。，366, 415-447 (2018) ·Zbl 1407.62091号
[43] Liang，L。；刘，M。；马丁·C。；Sun，W.，《估算应力分布的深度学习方法：有限元分析的快速准确替代物》，J.R.Soc.Interface，15，138，Article 20170844 pp.（2018）
[44] 刘，M。；Liang，L。；伊斯梅尔，Y。；Dong，H。；卢，X。；Iannucci，G。；陈永平。；Leshnower，B.G。；Elefteriades，J.A。；Sun，W.，使用基于机器学习的代理模型计算主动脉壁上的概率和各向异性失效度量，Comput。《生物医学》，137，第104794条，第（2021）页
[45] 何，X。；艾薇儿，S。；Lu，J.，升主动脉瘤局部强度的预测，J.Mech。行为。生物识别。材料。，115，第104284条pp.（2021）
[46] Sivia，D.S。；斯奇林，J.，《数据分析：贝叶斯教程》（2006），牛津，牛津大学出版社·Zbl 1102.62001号
[47] 吉列米诺，J。；Noshadravan，A。；加尼姆，R。；Soize，C.，有界弹性张量随机场的概率模型及其在多晶微结构中的应用，计算。方法。申请。机械。工程，2001637-1648（2011）·Zbl 1228.74019号
[48] Rolf Pissarchyk，医学博士。；李凯。；Fleischmann，D。；Holzapfel，G.A.，主动脉夹层中降解弹性纤维建模的离散方法，计算机。方法。申请。机械。工程，373，第113511条pp.（2021）·Zbl 1506.74214号
[49] Holzapfel，G.A.，《非线性固体力学》。《工程的连续方法》（2000），约翰·威利父子公司：约翰·威利和索斯·奇切斯特·Zbl 0980.74001号
[50] 李凯。；奥格登，R.W。；Holzapfel，G.A.，纤维组织建模中排除受压纤维的离散纤维分散方法，J.R.Soc.Interface，15，第20170766页，（2018）
[51] Markert，B。；埃勒斯，W。；Karajan，N.，纤维增强材料的一般多凸应变能函数，PAMM，5245-246（2005）·Zbl 1391.74051号
[52] Holzapfel，G.A。；Gasser，T.C.（加色尔，T.C.）。；Ogden，R.W.，《动脉壁力学的新本构框架和材料模型的比较研究》，J.Elasticity，61，1，1-48（2000）·Zbl 1023.74033号
[53] Fuglstad，G.A。；D.辛普森。；林格伦，F。；Rue，H.，非平稳空间数据总是需要非平稳随机场吗？，小争吵。统计，14，505-531（2015）
[54] Fuglstad，G.A。；林格伦，F。；D.辛普森。；Rue，H.，探索一类新的具有变化局部各向异性的非平稳空间高斯随机场，Stat.Sin。，25, 1, 115-133 (2015) ·兹比尔1480.62194
[55] Rue，H.，高斯马尔可夫随机场的快速采样，J.R.Stat.Soc.Series B Stat.Methol。，63, 2, 325-338 (2001) ·Zbl 0979.62075号
[56] P.R.克莱默。；O.Kurbanmuradov。；Sabelfeld，K.，《多尺度高斯随机场模拟算法的比较分析》，J.Compute。物理。，226, 1, 897-924 (2007) ·Zbl 1124.65009号
[57] 刘，Y。；Li，J.等人。；Sun，S。；Yu，B.，高斯随机场生成的进展：综述，计算。地质科学。，23, 5, 1011-1047 (2019) ·Zbl 1427.60094号
[58] Shinozuka，M。；Deodatis，G.，通过谱表示模拟随机过程，应用。机械。第44版，191-204（1991）
[59] Shinozuka先生。；Deodatis，G.，通过谱表示模拟多维高斯随机场，应用。机械。修订版，49，29-53（1996）
[60] H.Kim，M.D.Shields，《利用Karhunen-Loeve展开模拟强非高斯非平稳随机过程》，载于：第12届国际会议应用统计Probab Civ Eng ICASP 2015年，第1972期，2015年。
[61] 林格伦，F。；H街。；Lindström，J.，《高斯场和高斯-马尔可夫随机场之间的明确联系：SPDE方法》，J.R.Stat.Soc.B，73，4，423-498（2011）·Zbl 1274.62360号
[62] Aune，E。；艾兹维克，J。；Pokern，Y.，高维高斯分布采样的迭代数值方法，统计计算。，23, 4, 501-521 (2013) ·Zbl 1325.65020号
[63] 周，E。；Saad，Y.，采样多元高斯分布的预处理Krylov子空间方法，SIAM J.Sci。计算。，36, 2, 588-608 (2014) ·Zbl 1296.60087号
[64] Panunzio，A。；科特雷奥，R。；Puel，G.，使用局部Karhunen-Loève展开生成大规模随机场，高级模型。模拟。工程科学。，5, 1-29 (2018)
[65] de Carvalho Paludo，L。；鲍维尔，V。；Cottereau，R.，《超大域上高斯随机场采样的可缩放并行方案》，国际期刊Numer。方法工程，117，8，845-859（2019）
[66] 维奥·R。；安德烈亚尼，P。；特诺里奥。；Wamsteker，W.，具有规定边缘分布和互相关结构的非高斯随机场的数值模拟。二、。多元随机场，Publ。阿童木。Soc.Pac.公司。，114, 801, 1281-1289 (2002)
[67] P.Abrahamsen，V.Kvernelv，D.Barker，使用快速傅里叶变换（Fft）模拟高斯随机场，收录于：第16届欧洲采油数学会议，ECMOR XVI 2018。
[68] Grigoriu，M.，《应用非高斯过程》（1995），普伦蒂斯·霍尔·Zbl 0832.60003号
[69] Grigoriu，M.，《平稳非高斯平移过程的模拟》，J.Eng.Mech。，124 (1998)
[70] 维奥·R。；Andreani，P。；Wamsteker，W.，具有规定相关结构的非高斯随机场的数值模拟，Publ。阿童木。Soc.Pac.公司。，113, 786, 1009-1020 (2001)
[71] R.Trandafir，S.Demetriu，非高斯随机场的数值模拟，摘自：第七届巴尔干运筹学会议，罗马尼亚康斯坦塔，2005年，第231-237页。
[72] 小西葫芦，P。；Deodatis，G.，《一类强非高斯随机场模拟算法的评论和最新发展》，概率工程力学。，23, 4, 393-407 (2008)
[73] 屏蔽，医学博士。；Deodatis，G。；Bocchini，P.，通过转换过程近似一般非高斯平稳随机过程的简单有效方法，概率工程力学。，26, 4, 511-519 (2011)
[74] A.M.Hasofer，O.D.Ditlevsen，N.J.Tarp-Johansen，建模材料刚度和柔度的正随机场，见：第七届结构安全和可靠性国际会议，ICOSSAR 1997年，1998年，第723-730页。
[75] Benowitz，B.A。；屏蔽，医学博士。；Deodatis，G.，从非平稳自相关函数确定演化谱，概率工程力学。，41, 73-88 (2015)
[76] Taylor，R.L.，FEAP-有限元分析程序，8.5版用户手册（2017），加州大学伯克利分校
[77] 罗尔夫·皮萨奇克，M。；Wollner，M.P。；帕切科，D.R.Q。；Holzapfel，G.A.，主动脉平滑肌方向和功能的高效计算模型，Proc。R.Soc.伦敦。序列号。数学。物理学。工程科学。，477，第20210592条pp.（2021）
[78] Jaynes，E.T.，《概率论：科学的逻辑》（2003），剑桥，剑桥大学出版社·Zbl 1045.62001号
[79] 美国冯·图桑，《物理学中的贝叶斯推理》，《现代物理学评论》。，83,3943-999（2011）
[80] Kroese博士。；Taimre，T。；Botev，Z.I.，《蒙特卡罗方法手册》（2011），新泽西州威利·Zbl 1213.65001号
[81] J.Deng，W.Dong，R.Socher，L.-J.Li，K.Li，L.Fei-Fei，ImageNet:大型分层图像数据库，收录于：Proc IEEE Compute Soc Conf Compute Vis Pattern Recognit 2009，2009，第248-255页。
[82] Tajbakhsh，N。；Jeyaseelan，L。；李强。；Chiang，J.N。；吴，Z。；Ding，X.，《拥抱不完美数据集：医学图像分割深度学习解决方案综述》，《医学图像分析》。，63，第101693条pp.（2020）
[83] 张，X。；Wang，L。；Su，Y.，《视觉位置识别：深度学习视角的调查》，《模式识别》。，113，第107760条pp.（2021）
[84] 曹伟。；严，Z。；何，Z。；He，Z.，《几何深度学习综合调查》，IEEE Access，8，35929-35949（2020）
[85] Goh，G.B.先生。；Hodas，N.O。；Vishnu，A.，《计算化学深度学习》，J.Compute。化学。，38, 16, 1291-1307 (2017)
[86] Mendizabal，A。；马尔克斯-尼拉，P。；Cotin，S.，使用深度学习实时模拟超弹性材料，医学图像分析。，59，第101569条pp.（2020）
[87] 佩佩，A。；Trotta，G.F。；Gsaxner，C。；布鲁内蒂，A。；卡斯卡拉诺，G.D。；贝维拉夸，V。；沈博士。；Egger，J.，口腔颌面外科中的深度学习和生成性对抗网络，（计算机辅助口腔颌面手术（2021），爱思唯尔），55-82
[88] 古德费罗，I。；Y.本吉奥。；A.C.库维尔，《深度学习》（2016），麻省理工学院出版社·Zbl 1373.68009号
[89] 医学博士泽勒。；Fergus，R.，《可视化和理解卷积网络》（ECCV（2014）），818-833
[90] 辛顿，G.E。；Osindero，S。；Teh，Y.-W.，深度信念网络的快速学习算法，神经计算。，18, 7, 1527-1554 (2006) ·Zbl 1106.68094号
[91] LeCun，Y。；Y.本吉奥。；Hinton，G.，《深度学习》，《自然》，521436-444（2015）
[92] Haibe-Kains，B.，《人工智能中的透明度和再现性》，《自然》，586，E14-E16（2020）
[93] Li，J.等人。；刘，L。；Le，T.D。；Liu，J.，精确的数据驱动预测并不意味着高再现性，自然马赫数。智力。，2013年2月13日至15日（2020年）
[94] 麦凯，D.，反向传播网络的实用贝叶斯框架，神经。计算。，4, 448-472 (1992)
[95] Neal，R.M.，《神经网络的贝叶斯学习》（1996），Springer·Zbl 0888.62021号
[96] Y.Gal，Z.Ghahramani，《作为贝叶斯近似的辍学：在深度学习中表示模型不确定性》，载《第33届机器学习国际会议论文集》，2016年第48卷，第1050-1059页。
[97] Shrestha，A。；Mahmood，A.，《深度学习算法和架构评论》，IEEE Access，75340-53065（2019）
[98] Sengupta，S。；巴萨克，S。；Saikia，P。；保罗·S。；沙拉夫提斯五世。；阿提亚，F。；拉维，V。；Peters，A.，深度学习综述，特别强调架构、应用程序和最新趋势，Knowl。基于系统。，194，第105596条pp.（2020）
[99] I.Sutskever，O.Vinyals，Q.V.Le，神经网络的序列到序列学习，收录于：第28届Conf neural Inf Process Syst NIPS，2014年，第3104-3112页。
[100] Murphy，K.P.，高斯分布的共轭贝叶斯分析（2007），不列颠哥伦比亚大学
[101] Skilling，J.，一般贝叶斯计算的嵌套抽样，贝叶斯分析。，1, 4, 833-860 (2006) ·Zbl 1332.62374号
[102] 布莱，D.M。；Kucukelbir，A。；McAuliffe，J.D.，《变分推断：统计学家评论》，J.Am.Stat.Assoc.，112，518，859-877（2017）
[103] Q.Liu，D.Wang，Stein变分梯度下降：通用贝叶斯推理算法，收录于：30th Conf Neural Inf Process Syst NIPS 2016，2016。
[104] Q.Liu，J.Lee，M.Jordan，《一个核心化的Stein差异对良好测试的影响》，载于：第33届国际Conf Mach Learn ICML 2016，第48卷，2016年，第276-284页。
[105] Q.Liu，Stein变分梯度下降作为梯度流，收录于：第31届Conf神经信息处理系统NIPS 2017，第30卷，2017。
[106] Kingma，D.P。；Ba，Y.，ADAM：随机优化方法，（Bengio，Y.；LeCun，Y.第三届国际Conf Learn Representative ICLR 2015-Conf Track Proc（2015））
[107] Raissi，M.，《深层隐藏物理模型：非线性偏微分方程的深层学习》，J.Mach。学习。研究，19，1-24（2018），arXiv:1801.06637·Zbl 1439.68021号
[108] 莱斯，M。；佩迪卡里斯，P。；Karniadakis，G.E.，《基于物理的神经网络：解决涉及非线性偏微分方程的正问题和逆问题的深度学习框架》，J.Compute。物理。，378, 686-707 (2019) ·Zbl 1415.68175号
[109] F.M.Rohrhofer，S.Posch，B.C.Geiger，《物理信息神经网络的帕累托前沿》，arXiv:2105.00862。
[110] 他库尔，A。；Chakraborty，S.，用于替代建模和不确定性量化的深胶囊编码器-解码器网络（2022），arXiv:2201.07753
[111] Isensee，F。；Jaeger，P.F。；科尔，S.A.A。；彼得森，J。；Maier Hein，K.H.，TI-nnU Net：一种用于基于深度学习的生物医学图像分割的自配置方法，Nature Methods，18203-211（2021）
[112] O.Ronneberger。；Fischer等人。；Brox，T.，U-Net：用于生物医学图像分割的卷积网络，（Navab，N.；Hornegger，J.；Wells，W.M.；Frangi，A.F.，医学图像计算和计算机辅助干预。医学图像计算和计算机辅助干预，MICCAI 2015（2015），施普林格国际出版：施普林格国际出版商会）， 234-241
[113] 高，H。；Sun，L。；Wang，J.X.，PhyGeoNet：基于物理的几何自适应卷积神经网络，用于求解不规则域上的参数化稳态PDE，J.Compute。物理。，428，第110079条pp.（2021）·Zbl 07511433号
[114] A.Vaswani、N.Shazeer、N.Parmar、J.Uszkoreit、L.Jones、A.N.Gomez、L.Kaiser、I.Polosukhin，《注意力就是你需要的一切》，收录于：第31届Conf神经信息处理系统NIPS 2017年、2017年。
[115] A.Dosovitskiy，L.Beyer，A.Kolesnikov，D.Weissenborn，X.Zhai，T.Unterthiner，M.Dehghani，M.Minderer，G.Heigold，S.Gelly，J.Uszkoreit，N.Houlsby，《图像值16x16个单词：图像识别的变形金刚》（The Transformers for image recognition at scale），in:9th Int Conf Learn Representation ICLR 2021-Conf Track Proc，2021。
[116] J.Masci，D.Boscaini，M.M.Bronstein，P.Vandergheynst，黎曼流形上的测地卷积神经网络，收录于：2015 IEEE国际计算机视觉会议，ICCVW，2015，第832-840页。
[117] 周，J。；崔，G。；胡，S。；张，Z。；杨，C。；刘，Z。；Wang，L。；李，C。；Sun，M.，《图形神经网络：方法和应用综述》，AI Open，157-81（2020）
[118] Abdar，M。；Pourpanah，F。；侯赛因，S。；Rezazadegan，D。；刘，L。；加瓦姆扎德，M。；费古斯，P。；曹，X。；Khosravi，A。；阿查里亚，U.R。；马卡伦科夫，V。；Nahavandi，S.，《深度学习中的不确定性量化综述：技术、应用和挑战》，Inf.Fusion，76，243-297（2021）
[119] 杜，P。；朱，X。；Wang，J.-X.，基于深度学习的三维患者特定计算流体动力学替代模型，物理。液体（2022年）
[120] E.Snelson，C.E.Rasmussen，Z.Gahramani，Warped Gaussian过程，见：第16届Conf Neural Inf过程系统NIPS 2003，2003年第16卷，第337-344页。
[121] J.Hensman，N.Fusi，N.D.Lawrence，非高斯随机场的数值模拟，收录于：第29届Conf Uncertain Artif Intell 2018 UAI 2013年，2013年，第231-237页。
[122] Breiman，L.，《随机森林》，马赫。学习。，45, 1, 5-32 (2001) ·Zbl 1007.68152号
[123] Bersi，M.R。；Bellini，C。；Di Achille，P。；汉弗莱，J.D。；Genovese，K。；Avril，S.，《表征小鼠主动脉材料特性区域变化的新方法》，J.Biomech。工程，138，7，0710051-07100515（2016）
[124] Genovese，K。；巴德尔，P。；卡维纳托，C。；Pierrat，B。；Bersi，M.R。；艾薇儿，S。；Humphrey，J.D.，《小鼠至人类动脉体外测试用多视图数字图像相关系统》，实验机械。，61, 1455-1472 (2021)
[125] 乔，Y。；曾勇。；丁，Y。；范，J。；罗，K。；Zhu，T.，主动脉夹层流体-结构相互作用下非牛顿两相血流的数值模拟，计算机。方法生物技术。生物识别。工程，22，6，620-630（2019）
[126] Shan，H。；Zhang，Y。；杨琼。；克鲁格，美国。；Kalra，M.K。；Sun，L。；Cong，W。；Wang，G.，低剂量CT的三维卷积编解码网络，通过二维训练网络的传输学习，IEEE Trans。医学影像学，37,61522-1534（2018）
[127] 关，H。；Liu，M.，医学图像分析领域自适应：一项调查，IEEE Trans。生物识别。工程师，69，3，1173-1185（2022）
[128] PyTorch文件（2021），https://pytorch.org/docs/stable/index.html。（2021年10月15日访问）
[129] 黄，G。；刘，Z。；范德马滕，L。；Weinberger，K.Q.，密集连接卷积网络，（Proc IEEE Compute Soc Conf Compute Vis Pattern Recognit 2017（2017），IEEE Computer Society），2261-2269
[130] S.Ioffe，C.Szegedy，《批量规范化：通过减少内部协变量偏移来加速深层网络训练》，收录于：Proc-Int-Conf-Mach-Learn。2015, 2015.
[131] X.Glrot，A.Bordes，Y.Bengio，深度稀疏整流器神经网络，收录于：2011年第14届国际Conf Artif Intell Stat AISTATS会议。
[132] S.De，S.L.Smith，《批量归一化具有多重益处：剩余网络的实证研究》，载于：《2020年ICLR 2020会议》。
[133] Long，J。；谢尔哈默，E。；Darrell，T.，语义分割的完全卷积网络，IEEE Trans。模式分析。3月。智力。，3431-3440（2015年）
[134] S.Jégou，M.Drozdzal，D.Vázquez，A.Romero，Y.Bengio，《百层Tiramisu:语义分割的完全卷积密集网》，收录于：IEEE Compute Soc Conf Compute Vis Pattern Recognit Workshops 2017年，2017年，第1175-1183页。
[135] R.Sun，《深度学习的优化：理论和算法》，2019年，。
[136] Soydaner，D.，《深度学习优化算法的比较》，国际期刊《模式识别》。Artif公司。智力。，34、13，第205条2013 pp.（2020）
[137] I.Loshchilov，F.Hutter，SGDR：带热重启的随机梯度下降，见：ICLR 2017。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。