.png){kind=icon}
返回
PIGPVAE: physics-informed gaussian process variational autoencoders
.png){kind=icon}
OA
AI
DOI：10.1007/s10489-025-06776-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近期生成式AI的进展为合成数据生成提供了有前景的解决方案，但这些方案通常依赖大规模数据集进行有效训练。为解决此局限性，我们提出了一种新型生成模型，通过将物理约束融入变分自编码器（VAE）框架，从有限数据中学习。具体而言，我们扩展了VAE，加入基于物理的生成器以捕捉底层动态，而未建模的动态则通过隐变量高斯过程VAE（GPVAE）组件学习。我们还引入了一个正则化项，以平衡物理模型与数据驱动的差异，促进模型的可解释性和对真实观测数据的保真度。我们在真实数据和模拟数据上评估了所提出的方法，结果表明，物理信息GPVAE（PIGPVAE）在生成样本的多样性和准确性方面优于当前最先进的方法，即使在数据量小的情况下也是如此。此外，我们还展示了PIGPVAE能够生成超出观测分布的真实样本，突显了其在分布偏移下的鲁棒性和实用性。
Keyword:
Variational autoencoder
Gaussian process
Synthetic data
Physics-informed machine learning
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
引用论文
Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
.png){kind=icon}
OAAI分享收藏Enhancing Indoor Temperature Forecasting through Synthetic Data in Low-Data Regime通过合成数据提升低数据环境下室内温度预测
PREAI
分享收藏 没有更多内容
没有更多内容