PINN去偏新方法：反问题估计达√n速率，推断更准更高效！
PDE-constrained inverse problems at the $\sqrt{n}$ rate via debiased physics-informed neural networks
📖 AI 总结
本文研究从含噪观测中估计偏微分方程约束反问题未知参数的问题，其中方程解由物理信息神经网络（PINN）近似。作者指出，现有估计量往往继承神经网络解的非参数慢收敛速率，导致对有限维目标参数的推断存在偏差且统计效率低下。为此，他们提出一种两步去偏估计方法，将基于神经网络的非参数估计与基于影响函数的偏差校正相结合，通过消除估计量对冗余函数误差的一阶敏感性，在不要求神经网络欠平滑的条件下获得根号n相合且渐近正态的估计量。作者进一步将框架推广至贝叶斯推断，用去偏拟似然替代原始似然，并证明所得后验以根号n速率收缩，其渐近协方差与频率学派估计量一致。作为分析副产品，文章还建立了神经网络在Sobolev空间中估计非参数回归函数及其导数的近极小极大最优收敛速率。数值实验验证了理论结果，并表明去偏步骤对于该类反问题的有效统计推断是必要的。
🔑 关键词速览
| 物理信息神经网络 (PINNs) | 一种将物理方程（如偏微分方程）作为约束融入神经网络训练的深度学习方法。 |
| 去偏估计 (Debiased Estimation) | 通过校正偏差项来消除估计量对 nuisance 参数误差一阶敏感性的统计估计技术。 |
| 影响函数 (Influence Function) | 在半参数统计中用于描述估计量对单个观测扰动的敏感性的函数，常用于构造偏差校正项。 |
| Bernstein-von Mises 定理 | 贝叶斯统计中的一个渐近定理，表明后验分布在大样本下近似正态分布，且其协方差与频率学派估计量一致。 |
| Sobolev 空间 | 由具有直到某阶弱导数的函数组成的函数空间，常用于非参数回归和函数逼近的理论分析。 |
📱 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