利用条件变分自编码器和深度神经网络进行不确定性量化和领域泛化的临界热通量预测
原文中文,约300字,阅读约需1分钟。发表于: 。本研究解决了临界热通量数据稀缺的问题,通过开发条件变分自编码器模型来增强2006年的Gronneveld查找表使用的测量数据。研究发现,条件变分自编码器在预测准确性和不确定性量化方面表现优于传统的深度神经网络模型。该工作展示了在确保预测准确度的同时,提升了模型的不确定性处理能力。
本研究比较了GCNNs中不确定性估计的可扩展技术,使用定量标准在QM9数据集上比较了MC-Dropout、deep ensembles和bootstrapping方法,结果显示合奏和自举法优于MC-Dropout,不同方法在不同情境中有优缺点,挑战来自不同领域的不确定性。