Zitieren Sie bitte immer diesen URN: urn:nbn:de:kobv:b43-600408
Adaptive Gaussian process regression for Bayesian inverse problems
- We introduce a novel adaptive Gaussian Process Regression (GPR) methodology for efficient construction of surrogate models for Bayesian inverse problems with expensive forward model evaluations. An adaptive design strategy focuses on optimizing both the positioning and simulation accuracy of training data in order to reduce the computational cost of simulating training data without compromising the fidelity of the posterior distributions of parameters. The method interleaves a goal-oriented active learning algorithm selecting evaluation points and tolerances based on the expected impact on the Kullback-Leibler divergence of surrogated and true posterior with a Markov Chain Monte Carlo sampling of the posterior. The performance benefit of the adaptive approach is demonstrated for two simple test problems.
Autor*innen: | P. Villani, Jörg F. UngerORCiD, M. Weiser |
---|---|
Dokumenttyp: | Preprint |
Veröffentlichungsform: | Graue Literatur |
Sprache: | Englisch |
Titel des übergeordneten Werkes (Englisch): | arXiv.org |
Jahr der Erstveröffentlichung: | 2024 |
Organisationseinheit der BAM: | 7 Bauwerkssicherheit |
7 Bauwerkssicherheit / 7.7 Modellierung und Simulation | |
Veröffentlichende Institution: | Bundesanstalt für Materialforschung und -prüfung (BAM) |
Verlag: | Cornell University |
Verlagsort: | Ithaca, NY |
Aufsatznummer: | arXiv:2404.19459 |
Erste Seite: | 1 |
Letzte Seite: | 12 |
DDC-Klassifikation: | Technik, Medizin, angewandte Wissenschaften / Ingenieurwissenschaften |
Technik, Medizin, angewandte Wissenschaften / Ingenieurwissenschaften / Ingenieurbau | |
Freie Schlagwörter: | Active learning; Bayesian inverse problems; Gaussian Process Regression (GPR); Parameter identification; Surrogate models |
Themenfelder/Aktivitätsfelder der BAM: | Infrastruktur |
Infrastruktur / Verkehrsinfrastrukturen | |
Material | |
Material / Materialdesign | |
Veranstaltung: | Algoritmy 2024 - Central-European Conference on Scientific Computing |
Veranstaltungsort: | Vysoké Tatry, Slovakia |
Beginndatum der Veranstaltung: | 15.03.2024 |
Enddatum der Veranstaltung: | 20.03.2024 |
DOI: | 10.48550/arXiv.2404.19459 |
URN: | urn:nbn:de:kobv:b43-600408 |
ISSN: | 2331-8422 |
Zugehöriger Identifikator: | https://doi.org/10.5281/zenodo.11066159 |
Verfügbarkeit des Dokuments: | Datei für die Öffentlichkeit verfügbar ("Open Access") |
Lizenz (Deutsch): | Creative Commons - CC BY-SA - Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International |
Datum der Freischaltung: | 22.05.2024 |
Referierte Publikation: | Nein |
Schriftenreihen ohne Nummerierung: | Preprints der BAM |