arXiv cs.AI· Pierre Cesar (DATAMOVE), Sofya Dymchenko (DATAMOVE), Abhishek Purandare (DATAMOVE), Bruno Raffin (DATAMOVE)·· 1 天前AI 评分29
OGAS：用生成式主动采样为在线 PDE 代理模型训练挑选仿真配置
Learning Where to Simulate: Generative Active Sampling for Online PDE Surrogate Training
AI 导读
研究者提出 Online Generative Active Sampling（OGAS），在 PDE 代理模型训练过程中持续自适应调整配置参数采样，替代传统按轮次的主动学习。
正文 · AI 翻译
摘要：论文发表于 NeurIPS 2026。对于数据驱动的 PDE 代理模型，要在广泛的初始条件和物理系数范围内实现泛化，需要一组能够持续覆盖由此产生的动力学的数值模拟训练集。然而，对这些配置参数进行均匀采样可能会使具有挑战性的工况覆盖不足，从而导致训练后的代理模型预测误差高、误差方差大。为解决这种采样不平衡问题，我们引入了在线生成主动采样（OGAS），它在代理模型训练期间持续自适应地调整配置采样，作为经典基于轮次的主动学习的替代方案。随着代理模型从在线生成的模拟数据流中学习，OGAS 并行训练一个快速扩散模型，以根据训练难度信号（如损失或不确定性）为条件对配置参数进行采样。这种条件采样器使 OGAS 能够参数化后续模拟，通过优先选择难度值高的配置来生成具有挑战性的训练数据。我们在具有不同挑战性动力学的 2D PDE 上评估了 OGAS——Kuramoto--Sivashinsky、Navier--Stokes 和 Gray--Scott——使用了多种代理模型架构以及多达 308 个配置参数。在所测试的 PDE 和架构上，与均匀采样相比，OGAS 始终降低了第 99 百分位预测误差和整体误差离散度，而实际耗时开销可以忽略不计。代码和实验可在 此 https URL 获取。
| 学科： | 机器学习 (cs.LG)；人工智能 (cs.AI) |
| 引用为： | arXiv:2606.09949 [cs.LG] |
| （或 arXiv:2606.09949v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.09949 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | NeurIPS 2026 - 第 40 届神经信息处理系统大会，2026 年 12 月，法国巴黎 |
提交历史
来自：Bruno Raffin [查看电子邮件] [通过 CCSD 代理]
[v1]
2026 年 6 月 8 日星期一 08:25:19 UTC（7,612 KB）
[v2]
2026 年 11 月 12 日星期四 17:04:49 UTC（3,036 KB）
来源：arXiv cs.AI · arxiv.org