論文の概要: Variational Inference with Vine Copulas: An efficient Approach for
Bayesian Computer Model Calibration
- arxiv url: http://arxiv.org/abs/2003.12890v2
- Date: Fri, 2 Jul 2021 02:49:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 00:03:15.540592
- Title: Variational Inference with Vine Copulas: An efficient Approach for
Bayesian Computer Model Calibration
- Title（参考訳）: Vine Copulaによる変量推論:ベイジアンコンピュータモデル校正のための効率的なアプローチ
- Authors: Vojtech Kejzlar and Tapabrata Maiti
- Abstract要約: ガウス過程を用いた計算機モデルの校正のための変分ベイズ推論(VBI)に基づく効率的なアルゴリズムを開発した。
VBIの効率を維持するために、Vine copulas を用いてデータのペアワイズ分解を行う。
また,核結合エネルギーの液滴モデルのキャリブレーションを通じて実データを用いた実践者に対して,本手法がもたらす機会を実証する。
- 参考スコア（独自算出の注目度）: 0.456877715768796
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the advancements of computer architectures, the use of computational
models proliferates to solve complex problems in many scientific applications
such as nuclear physics and climate research. However, the potential of such
models is often hindered because they tend to be computationally expensive and
consequently ill-fitting for uncertainty quantification. Furthermore, they are
usually not calibrated with real-time observations. We develop a
computationally efficient algorithm based on variational Bayes inference (VBI)
for calibration of computer models with Gaussian processes. Unfortunately, the
speed and scalability of VBI diminishes when applied to the calibration
framework with dependent data. To preserve the efficiency of VBI, we adopt a
pairwise decomposition of the data likelihood using vine copulas that separate
the information on dependence structure in data from their marginal
distributions. We provide both theoretical and empirical evidence for the
computational scalability of our methodology and describe all the necessary
details for an efficient implementation of the proposed algorithm. We also
demonstrate the opportunities given by our method for practitioners on a real
data example through calibration of the Liquid Drop Model of nuclear binding
energies.
- Abstract（参考訳）: コンピュータアーキテクチャの進歩により、計算モデルの使用が増加し、核物理学や気候研究など多くの科学的応用において複雑な問題を解く。
しかし、そのようなモデルのポテンシャルは計算コストが高く、その結果不確かさの定量化が不適当になる傾向があるため、しばしば妨げられる。
さらに、通常はリアルタイム観測では校正されない。
ガウス過程を持つ計算機モデルの校正のための変分ベイズ推定(vbi)に基づく計算効率の高いアルゴリズムを開発した。
残念ながら、VBIの速度とスケーラビリティは、依存データによるキャリブレーションフレームワークに適用すると低下する。
VBIの効率性を維持するために,Vine copulas を用いてデータ間の依存構造に関する情報を境界分布から分離し,データ可能性のペアワイズ分解を行う。
本稿では,提案手法の計算スケーラビリティに関する理論的および実証的な証拠と,提案アルゴリズムの効率的な実装に必要な詳細をすべて記述する。
また,核結合エネルギーの液滴モデルのキャリブレーションを通じて実データを用いた実践者に対して,本手法がもたらす機会を実証する。
関連論文リスト
- Computation-Aware Gaussian Processes: Model Selection And Linear-Time Inference [55.150117654242706]
我々は、1.8万のデータポイントでトレーニングされた計算対応GPのモデル選択が、1つのGPU上で数時間以内に可能であることを示す。
この研究の結果、ガウス過程は、不確実性を定量化する能力を著しく妥協することなく、大規模なデータセットで訓練することができる。
論文 参考訳（メタデータ） (2024-11-01T21:11:48Z) - Bayesian Adaptive Calibration and Optimal Design [16.821341360894706]
現在の機械学習アプローチは、主に観測データで利用可能な固定された設計セットに対する再実行シミュレーションに依存している。
本稿では,バッチシーケンスプロセス内で最大情報化シミュレーションを実行するためのデータ効率アルゴリズムを提案する。
合成問題と実データ問題にまたがる関連手法と比較して,本手法の利点を示す。
論文 参考訳（メタデータ） (2024-05-23T11:14:35Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Numerically Stable Sparse Gaussian Processes via Minimum Separation
using Cover Trees [57.67528738886731]
誘導点に基づくスケーラブルスパース近似の数値安定性について検討する。
地理空間モデリングなどの低次元タスクに対しては,これらの条件を満たす点を自動計算する手法を提案する。
論文 参考訳（メタデータ） (2022-10-14T15:20:17Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Efficient training of lightweight neural networks using Online
Self-Acquired Knowledge Distillation [51.66271681532262]
オンライン自己獲得知識蒸留(OSAKD)は、ディープニューラルネットワークの性能をオンライン的に向上することを目的としている。
出力特徴空間におけるデータサンプルの未知確率分布を推定するために、k-nnノンパラメトリック密度推定手法を用いる。
論文 参考訳（メタデータ） (2021-08-26T14:01:04Z) - Evaluating State-of-the-Art Classification Models Against Bayes
Optimality [106.50867011164584]
正規化フローを用いて学習した生成モデルのベイズ誤差を正確に計算できることを示す。
われわれの手法を用いて、最先端の分類モデルについて徹底的な調査を行う。
論文 参考訳（メタデータ） (2021-06-07T06:21:20Z) - Local approximate Gaussian process regression for data-driven
constitutive laws: Development and comparison with neural networks [0.0]
局所近似過程回帰を用いて特定のひずみ空間における応力出力を予測する方法を示す。
FE設定におけるグローバル構造問題を解決する場合のlaGPR近似の局所的性質に適応するために、修正されたニュートン・ラフソン手法が提案される。
論文 参考訳（メタデータ） (2021-05-07T14:49:28Z) - Model-data-driven constitutive responses: application to a multiscale
computational framework [0.0]
古典法則(モデルベース)、データ駆動補正コンポーネント、計算的マルチスケールアプローチを組み合わせたハイブリッド方法論が提示される。
非線形数値均質化法により得られた低スケールのデータを用いてモデルベース材料表現を局所的に改善する。
提案手法では,モデルとデータの両方が基本的な役割を担い,物理に基づく応答と機械学習のブラックボックスの相乗的統合を実現する。
論文 参考訳（メタデータ） (2021-04-06T16:34:46Z) - You Only Compress Once: Optimal Data Compression for Estimating Linear
Models [1.2845031126178592]
線形モデルを用いる多くの工学システムは分散システムおよび専門家構成によって計算効率を達成します。
条件付き十分な統計は、統一されたデータ圧縮と推定戦略である。
論文 参考訳（メタデータ） (2021-02-22T19:00:18Z) - Designing Accurate Emulators for Scientific Processes using
Calibration-Driven Deep Models [33.935755695805724]
Learn-by-Calibrating (LbC)は、科学応用においてエミュレータを設計するための新しいディープラーニングアプローチである。
また,LbCは広く適応された損失関数の選択に対して,一般化誤差を大幅に改善することを示した。
LbCは、小さなデータレギュレータでも高品質なエミュレータを実現し、さらに重要なことは、明確な事前条件なしで固有のノイズ構造を復元する。
論文 参考訳（メタデータ） (2020-05-05T16:54:11Z)
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。