Buchumschlag

Gaussian Process Regression for Uncertainty Quantification: An Introductory Tutorial

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Jinglai, Wang, Hongqiao
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computation Numerical Analysis
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Accurate adaptive deep learning method for solving elliptic problems
von: Ying, Jingyong, et al.
Veröffentlicht: (2024)

Nemytskii neural operator: a nonlinear model reduction method for parametrized partial differential equations
von: Li, Jingye, et al.
Veröffentlicht: (2025)

Stochastic gradient descent based variational inference for infinite-dimensional inverse problems
von: Sui, Jiaming, et al.
Veröffentlicht: (2025)

Model-Embedded Gaussian Process Regression for Parameter Estimation in Dynamical System
von: Zhou, Ying, et al.
Veröffentlicht: (2024)

Reliable Uncertainty Quantification for Fiber Orientation in Composite Molding Processes using Multilevel Polynomial Surrogates
von: Salatovic, Stjepan, et al.
Veröffentlicht: (2024)

Deep Gaussian Process Priors for Bayesian Image Reconstruction
von: Latz, Jonas, et al.
Veröffentlicht: (2024)

Inferring Object Boundaries and their Roughness with Uncertainty Quantification
von: Afkham, Babak Maboudi, et al.
Veröffentlicht: (2023)

Fast Adaptive Fourier Integration for Spectral Densities of Gaussian Processes
von: Beckman, Paul G., et al.
Veröffentlicht: (2024)

Uncertainty Quantification of Phase Transition Problems with an Injection Boundary
von: Zhang, Zhenyi, et al.
Veröffentlicht: (2024)

Frequency-Explicit Shape Holomorphy in Uncertainty Quantification for Acoustic Scattering
von: Hiptmair, Ralf, et al.
Veröffentlicht: (2024)

The Tensor-Train Stochastic Finite Volume Method for Uncertainty Quantification
von: Walton, Steven, et al.
Veröffentlicht: (2024)

Domain Uncertainty Quantification for the Lippmann-Schwinger Volume Integral Equation
von: Henríquez, Fernando, et al.
Veröffentlicht: (2024)

Error Analysis of Parameter Prediction via Gaussian Process Regression and Its Application to Weighted Jacobi Iteration
von: Sun, Tiantian, et al.
Veröffentlicht: (2026)

CWENO Interpolation for Non-Oscillatory Stochastic Collocation in Uncertainty Quantification Problems
von: Chertock, Alina, et al.
Veröffentlicht: (2024)

GP-Recipe: Gaussian Process approximation to linear operations in numerical methods
von: DeGrendele, Christopher, et al.
Veröffentlicht: (2025)

Mode-Shape Expansion Using Physics-Constrained Gaussian Process Regression
von: Ghahari, Farid
Veröffentlicht: (2026)

Physics-Informed Gaussian Process Regression Generalizes Linear PDE Solvers
von: Pförtner, Marvin, et al.
Veröffentlicht: (2022)

Muti-Fidelity Prediction and Uncertainty Quantification with Laplace Neural Operators for Parametric Partial Differential Equations
von: Zheng, Haoyang, et al.
Veröffentlicht: (2025)

Uncertainty Quantification in Forward Problems: Balancing Accuracy and Robustness Using CWENO Interpolations
von: Chertock, Alina, et al.
Veröffentlicht: (2025)

Spline-Based Stochastic Collocation Methods for Uncertainty Quantification in Nonlinear Hyperbolic PDEs
von: Chertock, Alina, et al.
Veröffentlicht: (2024)

Optimal Estimation and Uncertainty Quantification for Stochastic Inverse Problems via Variational Bayesian Methods
von: Song, Ruibiao, et al.
Veröffentlicht: (2025)

Gaussian Process Regression under Computational and Epistemic Misspecification
von: Sanz-Alonso, Daniel, et al.
Veröffentlicht: (2023)

Uncertainty Quantification for Linear Inverse Problems with Besov Prior: A Randomize-Then-Optimize Method
von: Horst, Andreas, et al.
Veröffentlicht: (2025)

Nonlinear Expectation Inference for Efficient Uncertainty Quantification and History Matching of Transient Darcy Flows in Porous Media with Random Parameters Under Distribution Uncertainty
von: Zhang, Zhao, et al.
Veröffentlicht: (2023)

Bi-fidelity Variational Auto-encoder for Uncertainty Quantification
von: Cheng, Nuojin, et al.
Veröffentlicht: (2023)

Using Uncertainty Quantification to Characterize and Improve Out-of-Domain Learning for PDEs
von: Mouli, S. Chandra, et al.
Veröffentlicht: (2024)

A Conformal Prediction Framework for Uncertainty Quantification in Physics-Informed Neural Networks
von: Yu, Yifan, et al.
Veröffentlicht: (2025)

OpenLB-UQ: An Uncertainty Quantification Framework for Incompressible Fluid Flow Simulations
von: Zhong, Mingliang, et al.
Veröffentlicht: (2025)

Stochastic Finite Volume Approximation with Clustering in the Parameter Space for Forward Uncertainty Quantification of PDEs with Random Parameters
von: Zhang, Zhao, et al.
Veröffentlicht: (2025)

Phase-IDENT: Identification of Two-phase PDEs with Uncertainty Quantification
von: Yang, Edward L., et al.
Veröffentlicht: (2026)

Method of moments for Gaussian mixtures: Implementation and benchmarks
von: Kottler, Haley Colgate, et al.
Veröffentlicht: (2025)

Efficient Fourier representations of families of Gaussian processes
von: Greengard, Philip
Veröffentlicht: (2021)

Efficient Multifidelity Uncertainty Propagation in the Presence of Process Noise
von: Fossà, Alberto, et al.
Veröffentlicht: (2024)

Geometry-Preserving Nudged Elastic Band and Dimer Methods under Anisotropic Force Uncertainty
von: Yu, Yifan, et al.
Veröffentlicht: (2026)

Variational Sparse Paired Autoencoders (vsPAIR) for Inverse Problems and Uncertainty Quantification
von: Solomon, Jack Michael, et al.
Veröffentlicht: (2026)

Gaussian process regression with log-linear scaling for common non-stationary kernels
von: Kielstra, P. Michael, et al.
Veröffentlicht: (2024)

Posterior sampling with Adaptive Gaussian Processes in Bayesian parameter identification
von: Villani, Paolo, et al.
Veröffentlicht: (2024)

Posterior Consistency for Gaussian Process Approximations of Bayesian Posterior Distributions
von: Stuart, Andrew M., et al.
Veröffentlicht: (2016)

Uncertainty Quantification for Fisher-Kolmogorov Equation on Graphs with Application to Patient-Specific Alzheimer Disease
von: Corti, Mattia, et al.
Veröffentlicht: (2023)

Super-Resolution of Elliptic PDE Solutions Using Least Squares Support Vector Regression
von: Babaei, Maryam, et al.
Veröffentlicht: (2025)