PosteriorBench:生成式逆问题求解器的后验分布评估基准
通用科学ML
提出PosteriorBench基准,针对科学逆问题中生成式求解器的后验分布匹配能力进行评估,弥补了点估计指标的不足。
见LICENSE文件 逆问题求解生成式模型不确定性量化
面向物理场景的不确定性量化与反问题合集:UQ 方法、贝叶斯推断与反演、数据同化与集合同化、贝叶斯优化,并附后验评测基准。
物理 AI 走进工程决策时,单一预测值是不够的 —— 你需要知道这个预测有多可信,以及在什么条件下会失效。不确定性量化(UQ)回答第一个问题,贝叶斯反演回答第二个:给我观测,反推参数。
这两件事在工程上高度耦合。反演问题的本质是「用代理模型跑成千上万次前向求解」,而每一次前向求解都有误差,这些误差会被贝叶斯框架显式地积分进后验分布里。
本合集覆盖的谱系:
如果你是第一次接触这个方向,建议从「评测基准与工程教程」组进入 —— 先学会怎么评估一个后验分布,再去比较方法,否则很容易被漂亮的样本图误导。
| / | Focus search |
| gh | Go to home |
| gf | Go to favorites |
| ga | Go to A–Z index |
| gr | Go to recent updates |
| gt | Go to timeline |
| gp | Go to Hot 100 |
| ? | Show this help |
| Alt+D | Toggle dark mode |
| Esc | Close dialog |