Modern computational science allows complex scientific processes to be described by mathematical models implemented in computer codes, or simulators. When these simulators are computationally expensive, it is common to approximate them using statistical emulators constructed from computer experiments. Often, the overarching system of interest is best modelled via a chain, series or network of simulators, with inputs to some simulators arising as outputs from other simulators. Motivated by an epidemiological simulator chain to model the airborne dispersion of an infectious disease, we develop and assess novel methods for linking statistical emulators of the component simulators within a network. Our methods, Uncertain Input Sampling and Uncertain Input Bayes Linear Emulation, are developed within a Bayes linear framework and exploit the simpler structure that is typically observed for component simulators. They explicitly account for simulator input uncertainty induced by links in the network. We demonstrate the advantages of these methods compared to use of a single emulator of the composite simulator network for a variety of examples, including the motivating epidemiological application. In all cases, significant gains were attained in terms of both predictive accuracy and computational expense.


翻译:现代计算科学允许以计算机代码或模拟器中实施的数学模型描述复杂的科学过程。 当这些模拟器在计算上费用昂贵时,通常使用计算机实验所制作的统计模拟器来估计它们。 通常,总体利益系统最好通过一个链条、系列或模拟器网络来模拟,一些模拟器的输入作为其他模拟器的输出物。 由流行病学模拟器链来模拟传染病的空中传播,我们开发并评估将组成模拟器在网络中的统计模拟器连接起来的新方法。 我们的方法,即不确定的输入取样和不确定的输入导线性模拟仪,是在一个海湾线性框架内开发的,利用通常为部件模拟器观测到的更简单的结构。它们明确说明了模拟器输入的不确定性,这些方法比使用一个复合模拟器网络的单一模拟器来模拟各种例子,包括具有动力的流行病学应用。在所有案例中,在成本精确度的计算方面都取得了重大收益。

0
下载
关闭预览

相关内容

Networking:IFIP International Conferences on Networking。 Explanation:国际网络会议。 Publisher:IFIP。 SIT: http://dblp.uni-trier.de/db/conf/networking/index.html
【干货书】面向计算科学和工程的Python导论,167页pdf
专知会员服务
41+阅读 · 2021年4月7日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
专知会员服务
159+阅读 · 2020年1月16日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
老铁,邀请你来免费学习人工智能!!!
量化投资与机器学习
4+阅读 · 2017年11月14日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【推荐】用Tensorflow理解LSTM
机器学习研究会
36+阅读 · 2017年9月11日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【推荐】(Keras)LSTM多元时序预测教程
机器学习研究会
24+阅读 · 2017年8月14日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
0+阅读 · 2021年4月28日
Arxiv
0+阅读 · 2021年4月28日
Arxiv
0+阅读 · 2021年4月24日
Meta-Learning with Implicit Gradients
Arxiv
13+阅读 · 2019年9月10日
Arxiv
19+阅读 · 2018年6月27日
VIP会员
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
老铁,邀请你来免费学习人工智能!!!
量化投资与机器学习
4+阅读 · 2017年11月14日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【推荐】用Tensorflow理解LSTM
机器学习研究会
36+阅读 · 2017年9月11日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【推荐】(Keras)LSTM多元时序预测教程
机器学习研究会
24+阅读 · 2017年8月14日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
相关论文
Arxiv
0+阅读 · 2021年4月28日
Arxiv
0+阅读 · 2021年4月28日
Arxiv
0+阅读 · 2021年4月24日
Meta-Learning with Implicit Gradients
Arxiv
13+阅读 · 2019年9月10日
Arxiv
19+阅读 · 2018年6月27日
Top
微信扫码咨询专知VIP会员