.png){kind=icon}
返回
Normalizing flows for Bayesian parameter inference in computational mechanics
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2026.114263.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 探索了归一化流在计算力学中的贝叶斯参数推断应用。
• 与标准MCMC方法进行了对比基准测试。
• 在相同的计算预算下，通过KL散度和L1距离评估后验质量。
• 归一化流达到了与MCMC相当的精度。
• 基于流的推断在工程中的可扩展贝叶斯反问题方面显示出前景。
Keyword:
Normalizing Flows
Bayesian inference
Computational mechanics
Parameter estimation
Markov Chain Monte Carlo
期刊
IF:
8
论文数:
5.4K
被引数:
3.5W
机构
暂无机构信息
引用论文
Next-generation AI for advanced threat detection and security enhancement in DNS over HTTPS下一代AI在HTTPS上的DNS高级威胁检测与安全增强
PREAI
分享收藏Fault Detection and Diagnosis using Reconstruction-based DiGLPP: Application to Industrial Distillation System基于重构的Diglpp的故障检测与诊断：在工业蒸馏系统中的应用
PREAI
分享收藏分享收藏
Monte Carlo sampling methods using Markov chains and their applications基于马尔可夫链的蒙特卡罗抽样方法及其应用.png)
Biometrika
BiometrikaIF0
PREAI
分享收藏Probabilistic model updating of civil structures with a decentralized variational inference approach
PREAI
分享收藏The Role of AI, Machine Learning, and Big Data in Digital Twinning: A Systematic Literature Review, Challenges, and OpportunitiesIEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容