标签：不确定性量化

通用科学ML

研究几何条件化神经代理模型中不确定性量化方法的表现，对比封闭形式与采样方法在跨几何形状、流场预测和工程量上的有效性。

通用科学ML

提出在测试时通过流匹配模型学习贝叶斯滤波后验分布，为高维物理系统状态估计提供连续分布表示的解决方案。

通用科学ML

提出三重可扩展的等变高斯过程方法，在编码对称性的同时保持概率预测与不确定性量化能力，适用于大规模科学计算问题。

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。

通用科学ML

提出将人工代表树与Mondrian保角预测系统结合，实现单棵决策树同时提供连续预测、预测区间和概率分布输出的可解释ML方法。