論文の概要: Advances in Bayesian Probabilistic Modeling for Industrial Applications

• arxiv url: http://arxiv.org/abs/2003.11939v1
• Date: Thu, 26 Mar 2020 14:30:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 21:03:49.626307
• Title: Advances in Bayesian Probabilistic Modeling for Industrial Applications
• Title（参考訳）: ベイズ確率モデリングの産業応用への展開
• Authors: Sayan Ghosh, Piyush Pandita, Steven Atkinson, Waad Subber, Yiming Zhang, Natarajan Chennimalai Kumar, Suryarghya Chakrabarti, and Liping Wang
• Abstract要約: 本論文はGE Researchで一貫して開発されているベイズモデリング方法論の要約である。 この手法はGEのベイズハイブリッドモデリング(GEBHM)と呼ばれ、ケネディとオハーガンの枠組みに基づく確率論的モデリング手法である。 本稿では,GEBHMの手法の様々な進歩について解説し,いくつかの産業問題に対するその影響を実証する。
• 参考スコア（独自算出の注目度）: 4.316426172559102
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial applications frequently pose a notorious challenge for state-of-the-art methods in the contexts of optimization, designing experiments and modeling unknown physical response. This problem is aggravated by limited availability of clean data, uncertainty in available physics-based models and additional logistic and computational expense associated with experiments. In such a scenario, Bayesian methods have played an impactful role in alleviating the aforementioned obstacles by quantifying uncertainty of different types under limited resources. These methods, usually deployed as a framework, allows decision makers to make informed choices under uncertainty while being able to incorporate information on the the fly, usually in the form of data, from multiple sources while being consistent with the physical intuition about the problem. This is a major advantage that Bayesian methods bring to fruition especially in the industrial context. This paper is a compendium of the Bayesian modeling methodology that is being consistently developed at GE Research. The methodology, called GE's Bayesian Hybrid Modeling (GEBHM), is a probabilistic modeling method, based on the Kennedy and O'Hagan framework, that has been continuously scaled-up and industrialized over several years. In this work, we explain the various advancements in GEBHM's methods and demonstrate their impact on several challenging industrial problems.
• Abstract（参考訳）: 産業応用はしばしば、最適化、実験の設計、未知の物理応答のモデリングといった文脈における最先端の手法に対して悪名高い課題を提起する。 この問題は、クリーンデータの可用性の制限、利用可能な物理モデルにおける不確実性、実験に関連したロジスティックおよび計算コストの増加によって悪化する。 このようなシナリオでは、ベイズ法は、限られた資源の下で異なるタイプの不確かさを定量化することで、上記の障害を軽減する上で大きな役割を果たしてきた。 これらの手法は、通常フレームワークとしてデプロイされ、意思決定者が不確実性の下でインフォームドな選択をすることができる一方で、問題に関する物理的な直観と一致しつつ、データ形式で、通常、複数のソースから情報を取り込むことができる。 これは、特に工業的文脈においてベイズ的手法が実りをもたらす大きな利点である。 本論文はGE Researchで一貫して開発されているベイズモデリング方法論の要約である。 この手法はGEのベイズハイブリッドモデリング(GEBHM)と呼ばれ、ケネディとオハーガンの枠組みに基づく確率論的モデリング手法であり、数年間にわたって継続的にスケールアップされ工業化されてきた。 本稿では,GEBHMの手法の様々な進歩について解説し,いくつかの産業問題に対するその影響を実証する。

関連論文リスト

• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Adapting Large Language Models for Content Moderation: Pitfalls in Data Engineering and Supervised Fine-tuning [79.53130089003986]
  大規模言語モデル(LLM)は、様々なドメインでタスクを処理するための実現可能なソリューションとなっている。 本稿では、コンテンツモデレーションのためにプライベートにデプロイ可能なLLMモデルを微調整する方法を紹介する。
  論文  参考訳（メタデータ） (2023-10-05T09:09:44Z)
• DPA-WNO: A gray box model for a class of stochastic mechanics problem [1.0878040851638]
  我々は、新しい微分可能物理拡張ウェーブレットニューラル演算子(DPA-WNO)を提案する。 提案したDPA-WNOは、異なる物理解法とウェーブレットニューラル演算子(WNO)をブレンドし、WNOの役割は、欠落した物理をモデル化することである。 これにより、WNOがデータから学習する能力を活用するとともに、物理ベースの解法に関連する解釈可能性や一般化可能性を維持することができる。
  論文  参考訳（メタデータ） (2023-09-24T11:15:06Z)
• Endogenous Macrodynamics in Algorithmic Recourse [52.87956177581998]
  対実説明(CE)とアルゴリズム・リコース(AR)に関する既存の研究は、静的環境における個人に主に焦点を当ててきた。 既存の方法論の多くは、一般化されたフレームワークによってまとめて記述できることを示す。 次に、既存のフレームワークは、グループレベルでの言論の内在的ダイナミクスを研究する際にのみ明らかとなるような、隠された対外的関係のコストを考慮に入れていないと論じる。
  論文  参考訳（メタデータ） (2023-08-16T07:36:58Z)
• Bivariate Causal Discovery using Bayesian Model Selection [11.726586969589]
  ベイズ的枠組みに因果仮定を組み込む方法について述べる。 これにより、現実的な仮定でモデルを構築することができます。 その後、幅広いベンチマークデータセットにおいて、従来の手法よりも優れています。
  論文  参考訳（メタデータ） (2023-06-05T14:51:05Z)
• Eryn : A multi-purpose sampler for Bayesian inference [0.0]
  tt Erynはベイズ推論のためのユーザフレンドリーで多目的なツールボックスである。 本稿では, このサンプルパッケージについて述べるとともに, 様々なユースケースにおけるその機能について述べる。
  論文  参考訳（メタデータ） (2023-03-03T12:45:03Z)
• Principled Knowledge Extrapolation with GANs [92.62635018136476]
  我々は,知識外挿の新たな視点から,対実合成を研究する。 本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。 提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
  論文  参考訳（メタデータ） (2022-05-21T08:39:42Z)
• Black-box Bayesian inference for economic agent-based models [0.0]
  2種類のブラックボックス近似ベイズ推定法の有効性について検討した。 ニューラルネットワークに基づくブラックボックス法は, 経済シミュレーションモデルに対して, アートパラメータ推論の状態を提示する。
  論文  参考訳（メタデータ） (2022-02-01T18:16:12Z)
• BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
  本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。 本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-07T10:14:18Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Financial Data Analysis Using Expert Bayesian Framework For Bankruptcy Prediction [0.0]
  本稿では,エキスパートベイズフレームワークを用いた生成モデリングの新たな手法を提案する。 提案フレームワークの最大の利点は、モデリングプロセスに専門家の判断を明示的に取り入れることである。 提案手法は、金融や医療診断など、高度に規制された、あるいは安全性の高い応用に適している。
  論文  参考訳（メタデータ） (2020-10-19T19:09:02Z)

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。