基于保形预测的预训练和微调代理模型的不确定性量化
内容提要
本文探讨了深度学习中的不确定性量化，重点介绍了无分布符合预测方法及其在时空数据中的应用。研究提出了改进物理系统代理模型准确性的方法，并结合数据驱动的非线性动力学框架，展示了在多个测试问题中的有效性。同时，讨论了神经偏微分方程在预测未知参数中的应用及其不确定性量化的重要性，强调了可靠预测在决策中的作用。
延伸解读
符合预测在时空数据中的校准与效率
文章指出，无分布符合预测方法在时空数据背景下具有数学特性和广泛适用性，并介绍了提高校准和效率的相关技术。这些方法不依赖于基础模型假设，能提供频率覆盖保证，从而增强预测可靠性。对于地球观测等应用，符合预测可提供可靠的不确定性信息，帮助决策者评估风险。
代理模型不确定性量化的方法演进
从2022年到2024年，文章梳理了代理模型不确定性量化的多项进展：利用空间异质参数场改进物理系统代理模型；将随机插值应用于模型动力学而非解决方案，在混沌常微分方程和固体力学方程中显示更小误差；以及提出可伸缩的贝叶斯方法进行不确定度传播和验证。这些工作共同推动了代理模型在复杂系统中的可靠应用。
神经偏微分方程与神经天气模型的不确定性挑战
文章提到，神经偏微分方程能有效重构流系统并预测未知参数，但基于贝叶斯方法的神经偏微分方程可能低估真实潜在的不确定性，相比Deep Ensembles显示出更高的预测确定性。类似地，神经天气模型作为物理模型的低成本替代方案，需要后处理符合预测框架来量化预测不确定性，并在北欧地区有限区域模型中验证了其优势。
长期极端事件风险量化的新途径
针对气候模拟中短时训练数据导致的长期极端事件风险量化问题，文章介绍了一种训练后处理校正算子，能在有限训练数据下非侵入性地校正长期模拟，直接学习系统动力学。结果显示，该框架在对抗严重欠解析模拟时，可有效预测超过训练数据30倍时间范围内的各向异性统计数据，为长期风险量化提供了可行方案。
Q&A
什么是无分布符合预测方法？
无分布符合预测方法是一种具有数学特性和广泛适用性的深度学习技术，用于提高不确定性量化的校准和效率。
如何改善物理系统代理模型的准确性？
通过将系统的空间异质参数场作为高维问题中的不确定性量化和参数估计的函数，可以改善物理系统代理模型的准确性。
神经偏微分方程在不确定性量化中的作用是什么？
神经偏微分方程能够有效重构流系统并预测未知参数，但可能低估真实的不确定性。
不可靠的预测对决策有什么影响？
不可靠的预测会对决策产生负面影响，因此需要使用符合性预测方法来提供可靠的不确定性信息。
如何量化模型的预测不确定性？
可以通过符合预测框架和后处理方法来量化模型的预测不确定性，求得校准误差界限。
气候模拟中如何解决长期极端事件风险量化问题？
通过训练后处理校正算子，可以在有限训练数据下非侵入性地校正长期模拟，从而有效预测超过训练数据范围的统计数据。
