Publication

MATHICSE Technical Report : A Bayesian numerical homogenization method for elliptic multiscale inverse problems

2018
Working Papers

Résumé

A new strategy based on numerical homogenization and Bayesian techniques for solvingmultiscale inverse problems is introduced. We consider a class of elliptic problems which vary ata microscopic scale, and we aim at recovering the highly oscillatory tensor from measurements ofthe fine scale solution at the boundary, using a coarse model based on numerical homogenizationand model order reduction. We provide a rigorous Bayesian formulation of the problem, takinginto account different possibilities for the choice of the prior measure. We prove well-posednessof the effective posterior measure and, by means of G-convergence, we establish a link betweenthe effective posterior and the fine scale model. Several numerical experiments illustrate theefficiency of the proposed scheme and confirm the theoretical findings.

Source officielle

https://infoscience.epfl.ch/entities/publication/6184b13b-6cf7-4e06-88f4-a88910ced20c

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

2018
Working Papers

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/6184b13b-6cf7-4e06-88f4-a88910ced20c

À propos de ce résultat

Concepts associés (31)

Inférence bayésienne

vignette|Illustration comparant les approches fréquentiste et bayésienne (Christophe Michel, 2018). L’inférence bayésienne est une méthode d'inférence statistique par laquelle on calcule les probabilités de diverses causes hypothétiques à partir de l'observation d'événements connus. Elle s'appuie principalement sur le théorème de Bayes. Le raisonnement bayésien construit, à partir d'observations, une probabilité de la cause d'un type d'événements.

Statistique bayésienne

La statistique bayésienne est une approche statistique fondée sur l'inférence bayésienne, où la probabilité exprime un degré de croyance en un événement. Le degré initial de croyance peut être basé sur des connaissances a priori, telles que les résultats d'expériences antérieures, ou sur des croyances personnelles concernant l'événement. La perspective bayésienne diffère d'un certain nombre d'autres interprétations de la probabilité, comme l'interprétation fréquentiste qui considère la probabilité comme la limite de la fréquence relative d'un événement après de nombreux essais.

Probabilité a priori

Dans le théorème de Bayes, la probabilité a priori (ou prior) désigne une probabilité se fondant sur des données ou connaissances antérieures à une observation. Elle s'oppose à la probabilité a posteriori (ou posterior) correspondante qui s'appuie sur les connaissances postérieures à cette observation. Le théorème de Bayes s'énonce de la manière suivante : si . désigne ici la probabilité a priori de , tandis que désigne la probabilité a posteriori, c'est-à-dire la probabilité conditionnelle de sachant .

Afficher plus