少样本也能学出一族超弹性本构:分层贝叶斯PANN把试件差异与测量噪声分开
分层贝叶斯物理增强神经网络(PANN)把同一材料多个试件的本构律当作一个总体来学:所有试件共享网络学到的多凸特征,每个试件只用自己的幅值和特征份额描述,总体均值与协方差、测量噪声在同一后验中联合推断。合成总体上,它从少量试件恢复总体并比三种已发表方法更可靠地预测新试件;在Treloar橡胶与健康、动脉瘤主动脉上达到确定性PANN的精度,且没有把任何主动脉试件以高置信度分到错误队列,但对未测曲线的预测偏窄。
分层贝叶斯物理增强神经网络(PANN)把同一材料多个试件的本构律当作一个总体来学:所有试件共享网络学到的多凸特征,每个试件只用自己的幅值和特征份额描述,总体均值与协方差、测量噪声在同一后验中联合推断。合成总体上,它从少量试件恢复总体并比三种已发表方法更可靠地预测新试件;在Treloar橡胶与健康、动脉瘤主动脉上达到确定性PANN的精度,且没有把任何主动脉试件以高置信度分到错误队列,但对未测曲线的预测偏窄。
KL正则强化学习的目标——最大熵强化学习与大模型人类反馈微调背后的同一目标——此前只知道样本量随有效时域以更差的幂次增长,且没有任何下界依赖温度。这项工作在表格型折扣MDP与生成模型设定下证明:每个状态动作对采样若干次后,把经验模型当作真实模型求解的插件式估计器即可达到温度量级的KL次优性,样本量随有效时域线性增长;同时给出匹配的下界,说明任何算法(包括自适应选择采样位置)都无法更少。
阿尔茨海默病队列里多数人只有一次、且部分模态缺失的横断面检查,难以判断其处于病程何处、属于哪种亚型。ELPAC把临床可靠的终点组作为锚点,沿带生物学约束的速度场反向积分出亚型轨迹,并把阶段轴周围的残余多模态变异分解为随阶段增强或减弱的稀疏协同轴。在合成数据与ADNI+NACC/SCAN协调队列上,它恢复了潜结构、给出校准的预测区间,并得到随亚型不同的多模态协同模式。
标准神经过程把输入当作无噪声观测,传感器测量误差会让预测和不确定性估计同时失真。DnNP在神经过程框架内把干净输入设为隐变量,用变分推断让一个去噪器与元学习联合训练,从而在含噪输入上直接给出预测。在马萨诸塞州布鲁克莱恩34个空气质量传感器采集的PM2.5空间插值数据上,相对标准神经过程,DnNP的RMSE最多降低30%、NLL最多降低73%。
台阵处理长期把传感器之间的相干性丢失当作干扰,常规波束形成还假定远场点源、噪声在传感器间不相干。Topophone2 把台阵协方差建模为慢度上能量分布的混合,用带解析特征函数的偏正态与角谐波分布描述信号和环境噪声,再以变分贝叶斯推断求后验。合成深海 T 相上,加入第四个水听器使角谐波噪声系数的信息增益提高 142%,而信号参数与信噪比的信息增益提高不到 8%。
多受试者空间转录组比较通常要先把组织划成解剖区域或聚类,再在固定区域内做差异表达检验,定位与检验因此分开。SpaceDX 改为在检验的同时为每个基因学习一组空间注意力权重,把各点的表达加权成伪批量,再放进分层贝叶斯逻辑回归做受试者层面的关联检验。在19只应激与19只对照小鼠的慢性社会挫败应激数据上,5%经验FDR下检出175个差异基因,比区域DESeq2的120个多45.8%;在阿尔茨海默病模型上两者单独检出数相近,合并后比单用DESeq2多19.1%。
该工作研究单隐层线性贝叶斯神经网络在NTK参数化下的高斯平均场变分推断,推导了温度按宽度幂律衰减时预测分布的极限,发现预测均值与方差在不同温度尺度上发生相变:均值在温度低于显式阈值时偏离先验并最终等于最小二乘预测,方差则在更冷温度下才偏离先验,且不存在能同时恢复未退火NNGP后验均值与方差的温度调度。
已读完全部报道