破解反演难题！用copula一招还原数据真相，精度飙升还省算力
Copula Transformations for Data-Consistent Inversion
📖 AI 总结
本文研究了数据一致反演（DCI）及其迭代版本（iDCI）之间的关系。DCI通过构造概率测度使前向分布匹配观测数据，而iDCI通过顺序施加多个前向约束来处理广义随机反问题。尽管iDCI避免了高维联合密度的直接近似，但其与原始联合DCI解的关系此前尚不明确。作者利用Sklar定理和Copula理论，将DCI更新分解为边际变换与依赖结构变换，证明iDCI收敛后残留的差异完全由观测与预测联合分布对应的Copula刻画。基于此，他们提出Copula变换的iDCI解，并证明精确变换可恢复原始DCI解，同时建立了近似变换在参考测度收敛与可行集细化下的收敛性。数值实验展示了目标映射诱导的几何如何决定Copula变换的重要性，并验证了自适应参考测度细化策略在固定采样预算下提升精度，以及通过异构异步实验逐步细化广义随机反问题的可行性。
🔑 关键词速览
| Data-Consistent Inversion (DCI) | 一种反演方法，构造概率测度使其前推分布与观测数据匹配。 |
| Iterative Data-Consistent Inversion (iDCI) | DCI的迭代扩展，通过顺序施加多个前推约束处理广义随机反问题。 |
| Copula | 描述随机变量间依赖结构的函数，将联合分布与边际分布分离。 |
| Sklar's theorem | 表明任何联合分布均可分解为边际分布和copula，用于建模依赖关系。 |
| Quantity-of-Interest (QoI) map | 将模型参数映射到感兴趣输出的函数，其几何影响反演问题的性质。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅