XiaoMi-AI文件搜索系统
World File Search SystemBayesFlow
使用贝叶斯深学习方法估算基于代理的模型
▶在一项重要的工作中，Del Negro和Schorfheide（2009）提出了DSGE-VAR程序，该程序将结构性宏观经济模型（DSGE模型）的先前信息纳入了VAR模型
使用贝叶斯推理实现 MEMS 最终模块测试中的可靠参数提取
摘要：在微机电系统 (MEMS) 中，高整体精度和可靠性测试至关重要。由于对运行效率的额外要求，近年来人们一直在研究机器学习方法。然而，这些方法通常与不确定性量化和可靠性保证方面的固有挑战有关。因此，本文的目标是提出一种基于贝叶斯推理的 MEMS 测试新机器学习方法，以确定估计是否可信。使用四种方法评估整体预测性能以及不确定性量化：贝叶斯神经网络、混合密度网络、概率贝叶斯神经网络和 BayesFlow。在训练集大小变化、不同加性噪声水平和分布外条件（即 MEMS 设备的阻尼系数变化）下对它们进行研究。此外，还评估和讨论了认知和随机不确定性，以鼓励在部署之前彻底检查模型，力求在 MEMS 设备的最终模块测试期间进行可靠和有效的参数估计。 BayesFlow 在预测性能方面始终优于其他方法。由于概率贝叶斯神经网络能够区分认知不确定性和随机不确定性，因此它们在总不确定性中所占的份额已得到深入研究。