Efficient surrogate modelling is a key requirement for uncertainty quantification in data-driven scenarios. In this work, a novel approach of using Sparse Random Features for surrogate modelling in combination with self-supervised dimensionality reduction is described. The method is compared to other methods on synthetic and real data obtained from crashworthiness analyses. The results show a superiority of the here described approach over state of the art surrogate modelling techniques, Polynomial Chaos Expansions and Neural Networks.
translated by 谷歌翻译
在临床程序期间的医学成像中的机器学习因扫描仪协议，硬件或政策的变化而受到损害，从而产生异构的采集设置。当训练初始静态训练集的深度学习模型时，模型性能和可靠性遭受采集特征的变化，因为数据和目标可能变得不一致。持续学习可以通过在连续数据流上培训来帮助将模型适应变化环境。然而，医学成像的持续手动专家标签需要大量努力。因此，有效地在新的新示例上有效地使用标签资源的方法是使这一策略可行的必要的。这里，我们提出了一种在多扫描仪设置中在医学图像流上运行的持续主动学习的方法。该方法自动识别图像采集特性中的变化 - 新域 - 选择标签和相应地适应培训的最佳示例。标签受限预算有限，类似典型的真实世界情景。为了证明概括性，我们评估了我们三项任务的方法的有效性：心脏分割，肺结核检测和脑年龄估计。结果表明，建议的方法优于其他主动学习方法，同时有效地抵消灾难性的遗忘。
translated by 谷歌翻译