AI NEWS / ONE EVENT. MANY PERSPECTIVES.
Amortized Localized Posterior Inference for Model Calibration with Application to an Ocean Turbulence Closure
arXiv:2610.37731v1 Announce Type: new Abstract: Model discrepancy may prevent a single calibration parameter from reproducing a physical response across the context domain. In addition, uncertainties in observations and contexts affect calibration and must be accounted for and quantified. We construct a family of localized posteriors by weighting observation likelihoods according to their proximity to a target context. Gaussian localization weights incorporate context uncertainty through covariance inflation, with reflection at domain boundaries and an optional correction for uneven context sampling. A conditional normalizing flow approximates the family of posteriors through amortized variational inference. Integrating the localized posteriors under a prescribed context measure gives the
摘要：模型偏差可能导致单一校准参数无法在上下文域内重现真实的物理响应。此外，观测与上下文中的不确定性会影响校准过程，必须予以考虑并加以量化。我们通过根据观测值与目标上下文的接近程度对观测似然进行加权，构建了一族局部化后验分布。高斯型局部化权重借助协方差膨胀来纳入上下文不确定性，并在域边界处进行反射处理，同时可选地针对不均匀的上下文采样进行修正。一种条件归一化流通过压缩变分推断近似该族后验分布。将这些局部化后验在预设的上下文测度下进行积分，即可得到边缘化的参数分布。在一项基于Branin-Hoo模型的孪生实验中，我们在均匀与偏斜的上下文分布条件下比较了全局与局部推理的效果。结果表明，相较于全局后验，局部化能够有效降低报告的总体预测误差。此外，在一个单柱海洋模型中，以大气表面强迫作为上下文、采用k-ε湍流闭合方案的应用实例也显示，与确定性校准及全局后验校准相比，局部后验校准能够显著减小温度与纬向速度的误差。上述两项孪生实验均设计为允许局部补偿机制的引入。
主题：| 人工智能（cs.AI）；机器学习（cs.LG）；机器学习（stat.ML）
引用格式：| arXiv:2610.37731 [cs.AI]
| （或
arXiv:2610.37731v1 [cs.AI]（此版本）
| https://doi.org/10.48550/arXiv.2610.37731
点击了解更多信息
通过DataCite发布的arXiv DOI（待注册）
提交历史
访问论文：
查看PDF
TeX源代码
附加功能
音频摘要
当前浏览上下文：
参考文献与引用
Google 学术搜索
Semantic Scholar
书签
机构
arXivLabs 是一个框架，允许合作者直接在我们的网站上开发并共享新的 arXiv 功能。
无论是个人还是与 arXivLabs 合作的组织，都已认同并践行我们所倡导的开放、社区、卓越以及用户数据隐私等价值观。arXiv 致力于这些价值理念，并且只与同样秉持这些理念的合作伙伴开展合作。
您是否有一个能为 arXiv 社区创造价值的项目构想？欢迎了解更多关于 arXivLabs 的信息。
