Skip to content

Barajas-Solano, D.A., Tartakovsky, A.M. · 2019 · Journal of Computational Physics

#stochastic-process #finite-element #causal-inference

??? info "Metadata" DOI: 10.1016/j.jcp.2019.06.010

📄 Quick Note

摘要概述

本文提出两种近似 Bayesian 推断方法（Laplace-EM 与 DSVI-EB），用于从稀疏含噪观测中反演 PDE 模型中空间依赖与状态依赖的未知参数。方法以 Gaussian process (GP) 作为未知函数的先验，以参数化多元 Gaussian 近似后验，通过最大化 evidence lower bound (ELBO) 同时估计先验超参数与后验参数。Laplace-EM 在 E-step 用 Laplace 近似、M-step 最小化 KL 散度，精度更高但需计算物理模型的 Hessian；DSVI-EB 基于双重随机变分推断，仅需梯度且易于并行，精度稍低但成本更低。在一维线性/非线性扩散方程的数值算例中，两种方法均能准确估计后验密度与 GP 先验超参数，是 MCMC 的经济替代方案。

关键图表

  • Fig. 2: 一维线性扩散问题的参考扩散系数与状态场（实线）及稀疏观测（叉号），分别展示了 squared-exponential (SE) 与 Matérn 3/2 (M32) 参考场——直观呈现了两种核平滑度的差异以及观测的稀疏程度。
  • Fig. 3: 一维线性扩散（SE 参考场）下，参考值与各方法估计的扩散系数及 95% 置信区间对比——展示 Laplace-EM 精度最高，DSVI-EB 在 Chevron 参数化下接近边界处低估后验标准差。
  • Fig. 8: 一维非线性扩散问题估计的扩散系数 k(u) 及 95% 置信区间——验证两种方法在非线性情形下都能准确恢复参考函数 y(u)=u。

与我的关联

GP 先验 + 变分推断的参数反演框架对 SMC G&R 模型中空间异质材料参数（如生长率、刚度）的不确定性量化具有直接借鉴价值；DSVI-EB 仅需梯度、可并行的特性对计算成本高昂的 FEniCS 正向模拟尤为友好。