Empirical Bayesian Analysis for Computer Experiments Involving Finite-Difference Codes
涉及有限差分程序的计算机实验经验贝叶斯分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要核心是计算机实验的统计替代模型；时间序列仅作为输出例子，尚不足以归入时间序列或宏观预测方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
涉及有限差分程序的计算机实验经验贝叶斯分析
- 研究问题
- 有限差分求解器可能产生高维输出且单次运行成本很高，作者研究如何构建统计替代模型以预测输出并描述其不确定性。
- 方法与思路
- 作者利用微分方程求解器中的有限差分关系组织统计模型，开展经验贝叶斯分析，并与常用标量建模方法的直接多元扩展比较。
- 材料陈述的贡献
- 摘要称，利用有限差分关系的建模策略在计算和精度上具有优势，并面向包含时间序列等多元输出的昂贵计算机实验。
- 阅读关注点
- 应核对有限差分关系如何进入统计模型、经验贝叶斯参数估计、不确定性描述，以及计算成本和预测精度的比较设计。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；模型形式、优势适用范围和数值证据未说明，不能推断刊本变化。
原文摘要
Computer experiments are increasingly used in scientific investigations as substitutes for physical experiments in cases where the latter are difficult or impossible to perform. A computer experiment consists of several runs of a computer model or “code” for the purpose of better understanding the input → output relationship. One practical difficulty in the use of these models is that a single run may require a prohibitive amount of computational resources in some situations. A recent approach uses statistical approximations as less expensive surrogates for such computer codes; these provide both point predictors and uncertainty characterization of the outputs. A widely used class of computer codes is the finite-difference solvers of differential equations, which produce multivariate output (e.g., time series). The finite-difference relationship underpins the statistical model proposed here, and we show that this strategy has clear computational and accuracy advantages over a direct multivariate extension of the popular scalar modeling methodology.