論文の概要: Value of Information Analysis via Active Learning and Knowledge Sharing
in Error-Controlled Adaptive Kriging
- arxiv url: http://arxiv.org/abs/2002.02354v2
- Date: Fri, 13 Mar 2020 02:30:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 13:06:46.725451
- Title: Value of Information Analysis via Active Learning and Knowledge Sharing
in Error-Controlled Adaptive Kriging
- Title(参考訳): 誤り制御型適応リグにおける能動的学習と知識共有による情報分析の価値
- Authors: Chi Zhang, Zeyu Wang, and Abdollah Shafieezadeh
- Abstract要約: 本稿では,情報の価値(VoI)分析のための最初のサロゲートベースのフレームワークを提案する。
複数の関心事の可能性を更新するために、サロゲートモデル間の観測から平等な情報を共有することができる。
トラスブリッジの負荷試験を含む最適決定問題に対して,提案手法を適用した。
- 参考スコア(独自算出の注目度): 7.148732567427574
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large uncertainties in many phenomena have challenged decision making.
Collecting additional information to better characterize reducible
uncertainties is among decision alternatives. Value of information (VoI)
analysis is a mathematical decision framework that quantifies expected
potential benefits of new data and assists with optimal allocation of resources
for information collection. However, analysis of VoI is computational very
costly because of the underlying Bayesian inference especially for
equality-type information. This paper proposes the first surrogate-based
framework for VoI analysis. Instead of modeling the limit state functions
describing events of interest for decision making, which is commonly pursued in
surrogate model-based reliability methods, the proposed framework models system
responses. This approach affords sharing equality-type information from
observations among surrogate models to update likelihoods of multiple events of
interest. Moreover, two knowledge sharing schemes called model and training
points sharing are proposed to most effectively take advantage of the knowledge
offered by costly model evaluations. Both schemes are integrated with an error
rate-based adaptive training approach to efficiently generate accurate Kriging
surrogate models. The proposed VoI analysis framework is applied for an optimal
decision-making problem involving load testing of a truss bridge. While
state-of-the-art methods based on importance sampling and adaptive Kriging
Monte Carlo simulation are unable to solve this problem, the proposed method is
shown to offer accurate and robust estimates of VoI with a limited number of
model evaluations. Therefore, the proposed method facilitates the application
of VoI for complex decision problems.
- Abstract(参考訳): 多くの現象における大きな不確実性は意思決定に挑戦している。
還元可能な不確実性をよりよく特徴付けるために追加情報を集めることは、決定的な選択肢である。
value of information (voi) 分析は、新しいデータの期待される潜在的利益を定量化し、情報収集のためのリソースの最適割り当てを支援する数学的決定フレームワークである。
しかし、voiの分析は、特に等式型情報に対するベイズ推論が基礎となっているため、非常にコストがかかる。
本稿では,voi分析のための最初のサーロゲートベースフレームワークを提案する。
モデルに基づく信頼性手法で一般的に追求される意思決定のイベントを記述する限定状態関数をモデル化する代わりに、提案するフレームワークはシステム応答をモデル化する。
このアプローチは、複数の関心のある事象の確率を更新するために、代理モデル間の観測から平等型の情報を共有できる。
さらに,モデルとトレーニングポイントの共有という2つの知識共有方式を提案し,コストのかかるモデル評価の知識を最大限活用する。
どちらのスキームも誤差率に基づく適応訓練手法と統合され、精度の高いkriging surrogateモデルを生成する。
提案するvoi解析フレームワークをトラス橋の負荷試験を含む最適意思決定問題に適用した。
重要度サンプリングと適応kriging monte carloシミュレーションに基づく最先端手法ではこの問題は解決できないが,本手法は限定的なモデル評価により,voiの高精度かつロバストな推定を提供することを示す。
そこで,提案手法は,複雑な決定問題に対するvoiの適用を容易にする。
関連論文リスト
- Pattern based learning and optimisation through pricing for bin packing problem [50.83768979636913]
確率変数の分布のような問題条件が変化すると、以前の状況でうまく機能するパターンはより効果的になるかもしれないと論じる。
本研究では,パターンを効率的に同定し,各条件に対する値の動的定量化を行う新しい手法を提案する。
本手法は,制約を満たす能力と目的値に対する影響に基づいて,パターンの値の定量化を行う。
論文 参考訳(メタデータ) (2024-08-27T17:03:48Z) - From Learning to Analytics: Improving Model Efficacy with Goal-Directed Client Selection [29.257066178498984]
フェデレートラーニング(FL)は、分散クライアント間でグローバルモデルを学ぶための魅力的なパラダイムである。
クライアントのローカルデータを用いて訓練されたグローバルモデルの効果的な評価を可能にするクローズドループモデル分析フレームワークを提案する。
論文 参考訳(メタデータ) (2024-03-30T13:49:59Z) - Data-driven decision-focused surrogate modeling [10.1947610432159]
本稿では,実時間設定における非線形最適化問題の解決を目的とした,意思決定中心の代理モデルの概念を紹介する。
提案したデータ駆動フレームワークは、決定予測エラーを最小限に抑えるためにトレーニングされた、よりシンプルな、例えば凸(convex)、代理最適化モデル(surrogate optimization model)を学ぶことを目指している。
我々は、一般的な非線形化学プロセスの最適化を含む数値実験を通して、我々の枠組みを検証する。
論文 参考訳(メタデータ) (2023-08-23T14:23:26Z) - Stochastic Methods for AUC Optimization subject to AUC-based Fairness
Constraints [51.12047280149546]
公正な予測モデルを得るための直接的なアプローチは、公正な制約の下で予測性能を最適化することでモデルを訓練することである。
フェアネスを考慮した機械学習モデルのトレーニング問題を,AUCに基づくフェアネス制約のクラスを対象とする最適化問題として定式化する。
フェアネス測定値の異なる実世界のデータに対するアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2022-12-23T22:29:08Z) - On the Complexity of Adversarial Decision Making [101.14158787665252]
決定推定係数は, 相手の意思決定に対する後悔度を低く抑えるのに必要であり, 十分であることを示す。
我々は、決定推定係数を他のよく知られた複雑性尺度の変種に結びつける新しい構造結果を提供する。
論文 参考訳(メタデータ) (2022-06-27T06:20:37Z) - The Statistical Complexity of Interactive Decision Making [126.04974881555094]
複雑度尺度であるDecision-Estimation Coefficientは,サンプル効率のインタラクティブ学習に必要かつ十分であることが証明された。
統合アルゴリズム設計原則であるE2Dは、教師付き推定のための任意のアルゴリズムを、意思決定のためのオンラインアルゴリズムに変換する。
論文 参考訳(メタデータ) (2021-12-27T02:53:44Z) - A bandit-learning approach to multifidelity approximation [7.960229223744695]
マルチファイデリティ近似は、科学計算とシミュレーションにおいて重要な技術である。
異なる忠実度のデータを利用して正確な推定を行うためのバンディットラーニング手法を紹介します。
論文 参考訳(メタデータ) (2021-03-29T05:29:35Z) - Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。
このアプローチは多くの実装と最適化の課題をもたらします。
提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
論文 参考訳(メタデータ) (2021-03-18T14:26:26Z) - On Statistical Efficiency in Learning [37.08000833961712]
モデルフィッティングとモデル複雑性のバランスをとるためのモデル選択の課題に対処する。
モデルの複雑さを順次拡大し、選択安定性を高め、コストを削減するオンラインアルゴリズムを提案します。
実験の結果, 提案手法は予測能力が高く, 計算コストが比較的低いことがわかった。
論文 参考訳(メタデータ) (2020-12-24T16:08:29Z) - Control as Hybrid Inference [62.997667081978825]
本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。
連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
論文 参考訳(メタデータ) (2020-07-11T19:44:09Z) - Toward Optimal Probabilistic Active Learning Using a Bayesian Approach [4.380488084997317]
アクティブラーニングは、コストの高いラベリングリソースを効率よく効果的に割り当てることで、ラベリングコストを削減することを目的としている。
提案したモデルにおける既存の選択戦略を再構築することにより、どの側面が現在の最先端に包含されていないかを説明することができる。
論文 参考訳(メタデータ) (2020-06-02T15:59:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。