深度学习中的不确定性量化 此回购包含文献调查和基线的实现，以用于深度学习中的预测不确定性估计。 文献调查 不确定性估算的基本背景 埃夫隆（B. Efron）和蒂布希拉尼（R. Tibshirani）。 “用于标准误差，置信区间和其他统计准确性度量的引导方法。” 统计科学，1986年。 R. Barber，EJ Candes，A。Ramdas和RJ Tibshirani。 “用折刀+进行预测性推论。” arXiv，2019年。 B.埃夫隆。 “ Jackknife-bootstrap之后的标准错误和影响功能。” 皇家统计学会杂志：B系列（方法论），1992年。 J.罗宾斯和A. Van Der Vaart。 “自适应非参数置信集。” 统计年鉴，2006年。 V. Vovk等人，“跨等角预测分布”。 JMLR，2018年。 M. H Quenouille。，“时间序列相关

pygpc 基于广义多项式混沌方法的Python敏感性和不确定性分析工具箱 基本功能： N维系统的高效不确定性分析 使用Sobol指数和基于全局导数的敏感性指数进行敏感性分析 轻松耦合到用Python，Matlab等编写的用户定义模型... 并行化概念允许并行运行模型评估 高效的自适应算法可以分析复杂的系统 包括高效的CPU和GPU（CUDA）实施，可极大地加快解决高维和复杂问题的算法和后处理例程 包括最新技术，例如： 投影：确定最佳折减基数 L1最小化：利用压缩感测中的概念减少必要的模型评估 梯度增强型gPC：使用模型函数的梯度信息以提高准确性 多元素gPC：分析具有间断和急剧过渡的系统 优化的拉丁文Hypercube采样可实现快速收敛 应用领域： pygpc可用于分析各种不同的问题。 例如，在以下框架中使用它： 非破坏性测试： 无创性脑刺激： 经颅磁刺激：

确定性不确定性量化（DUQ） 此存储库包含进行的代码，该代码已在ICML 2020上接受发布。 如果代码或论文对您的研究有用，请在我们的工作中添加引用： @article{van2020uncertainty, title={Uncertainty Estimation Using a Single Deep Deterministic Neural Network}, author={van Amersfoort, Joost and Smith, Lewis and Teh, Yee Whye and Gal, Yarin}, booktitle={International Conference on Machine Learning}, year={2020} } 依存关系 该代码基于PyTorch并需要一些其他依赖项，列在。 该代码已使用环境文件中指定的版本

EasyVVUQ EasyVVUQ的目的是促进各种模拟的验证，确认和不确定性量化（VVUQ）。 虽然在简单情况下非常方便，但是EasyVVUQ特别适用于以下情况：模拟的计算量很大，需要异构的计算资源，采样空间很大或簿记非常复杂。 它使用高效的数据库协调执行，具有容错能力，并且可以保存所有进度。 以下是EasyVVUQ可以回答的有关您的代码的一些问题示例： 考虑到输入参数的不确定性，输出的分布是什么？ 每个输入参数占输出方差的百分比是多少？ 还可以让您构造比完整的仿真便宜评估的代理模型。 基本概念在和介绍。 有关将仿真与EasyVVUQ接口的介绍，请参阅笔记本。 可用的分析和采样方法： 多项式混沌展开 随机搭配 蒙特卡罗灵敏度分析 马尔可夫链蒙特卡洛 EasyVVUQ还支持使用以下方法构建代理模型： 多项式混沌展开 随机搭配 高斯过程 支持的计算资源： 传统集群 最简单的

灵敏度分析库（SALib） 常用的敏感性分析方法的Python实现。 在系统建模中有用，可用于计算模型输入或外部因素对目标输出的影响。 文档： 要求： ， ， ， ，Python 3（从SALib v1.2开始，SALib不正式支持Python 2） 安装： pip install SALib或python setup.py install或conda install SALib 生成状态： 测试范围： SALib纸： Herman, J., Usher, W., (2017), SALib: An open-source Python library for Sensitivity Analysis, Journal of Open Source Software, 2(9), 97, doi:10.21105/joss.00097 方法包括： Sobol

Uncertainty Quantification and Predictive Computational Science 中文 part1