論文の概要: Stochastic spectral embedding
- arxiv url: http://arxiv.org/abs/2004.04480v2
- Date: Fri, 26 Jun 2020 08:02:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 03:31:55.035667
- Title: Stochastic spectral embedding
- Title(参考訳): 確率的スペクトル埋め込み
- Authors: S. Marelli, P.-R. Wagner, C. Lataniotis and B. Sudret
- Abstract要約: 確率スペクトル埋め込み(SSE)に基づく新しい逐次適応サロゲートモデリング法を提案する。
本手法は,複雑性と入力次元の異なるモデルの集合上で,最先端のスパースカオス展開に対して,どのように好意的に比較されるかを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Constructing approximations that can accurately mimic the behavior of complex
models at reduced computational costs is an important aspect of uncertainty
quantification. Despite their flexibility and efficiency, classical surrogate
models such as Kriging or polynomial chaos expansions tend to struggle with
highly non-linear, localized or non-stationary computational models. We hereby
propose a novel sequential adaptive surrogate modeling method based on
recursively embedding locally spectral expansions. It is achieved by means of
disjoint recursive partitioning of the input domain, which consists in
sequentially splitting the latter into smaller subdomains, and constructing a
simpler local spectral expansions in each, exploiting the trade-off complexity
vs. locality. The resulting expansion, which we refer to as "stochastic
spectral embedding" (SSE), is a piece-wise continuous approximation of the
model response that shows promising approximation capabilities, and good
scaling with both the problem dimension and the size of the training set. We
finally show how the method compares favorably against state-of-the-art sparse
polynomial chaos expansions on a set of models with different complexity and
input dimension.
- Abstract(参考訳): 計算コストの低減による複素モデルの挙動を正確に再現する近似の構築は、不確実性定量化の重要な側面である。
柔軟性と効率性にもかかわらず、クリギングや多項式カオス展開のような古典的な代理モデルは、高非線形、局所化または非定常計算モデルと競合する傾向がある。
本稿では,再帰的埋め込み局所スペクトル展開に基づく新しい逐次適応サロゲートモデリング手法を提案する。
入力領域の非連結再帰的分割によって実現され、後者を小さなサブドメインに順次分割し、それぞれにより単純な局所スペクトル展開を構築し、トレードオフ複雑性と局所性を利用する。
結果として得られる拡張は、「確率的スペクトル埋め込み」(stochastic spectral embedded, sse)と呼ばれ、モデル応答の断片的な連続近似であり、有望な近似能力を示し、問題次元とトレーニングセットのサイズの両方で良いスケーリングを示す。
この手法が,複雑性と入力次元の異なるモデルの集合上で,最先端のスパース多項式カオス展開とどのように比較されるかを示す。
関連論文リスト
- Nonstationary Sparse Spectral Permanental Process [24.10531062895964]
非定常カーネルのスパーススペクトル表現を利用した新しい手法を提案する。
この手法はカーネルタイプと定常性の制約を緩和し、より柔軟なモデリングを可能にする。
合成と実世界の両方のデータセットに対する実験結果から,本手法の有効性が示された。
論文 参考訳(メタデータ) (2024-10-04T16:40:56Z) - Scaling Riemannian Diffusion Models [68.52820280448991]
非自明な多様体上の高次元タスクにスケールできることを示す。
我々は、$SU(n)$格子上のQCD密度と高次元超球面上の対照的に学習された埋め込みをモデル化する。
論文 参考訳(メタデータ) (2023-10-30T21:27:53Z) - Multi-Response Heteroscedastic Gaussian Process Models and Their
Inference [1.52292571922932]
本稿ではヘテロセダスティック共分散関数のモデリングのための新しいフレームワークを提案する。
後部モデルに近似し, 後部予測モデルを容易にするために, 変分推論を用いる。
提案するフレームワークは,幅広いアプリケーションに対して,堅牢で汎用的なツールを提供する。
論文 参考訳(メタデータ) (2023-08-29T15:06:47Z) - Robust scalable initialization for Bayesian variational inference with
multi-modal Laplace approximations [0.0]
フル共分散構造を持つ変分混合は、パラメータ数による変動パラメータによる二次的な成長に苦しむ。
本稿では,変分推論のウォームスタートに使用できる初期ガウスモデル近似を構築する方法を提案する。
論文 参考訳(メタデータ) (2023-07-12T19:30:04Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳(メタデータ) (2023-07-11T16:51:38Z) - Active Learning-based Domain Adaptive Localized Polynomial Chaos
Expansion [0.0]
本稿では,入力ランダム空間の逐次分解と局所カオス展開の構成により,複雑な関数の代理モデルを構築する手法を提案する。
このアプローチは、入力ランダム空間を低次展開によって近似されたより小さなサブドメインに逐次分解する。
論文 参考訳(メタデータ) (2023-01-31T13:49:52Z) - DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained
Diffusion [66.21290235237808]
本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。
任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。
各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
論文 参考訳(メタデータ) (2023-01-23T15:18:54Z) - The Dynamics of Riemannian Robbins-Monro Algorithms [101.29301565229265]
本稿では,Robins と Monro のセミナル近似フレームワークを一般化し拡張するリーマンアルゴリズムの族を提案する。
ユークリッドのそれと比較すると、リーマンのアルゴリズムは多様体上の大域線型構造が欠如しているため、はるかに理解されていない。
ユークリッド・ロビンス=モンロスキームの既存の理論を反映し拡張するほぼ確実な収束結果の一般的なテンプレートを提供する。
論文 参考訳(メタデータ) (2022-06-14T12:30:11Z) - Reinforcement Learning from Partial Observation: Linear Function Approximation with Provable Sample Efficiency [111.83670279016599]
部分観察決定過程(POMDP)の無限観測および状態空間を用いた強化学習について検討した。
線形構造をもつPOMDPのクラスに対する部分可観測性と関数近似の最初の試みを行う。
論文 参考訳(メタデータ) (2022-04-20T21:15:38Z) - A Variational Inference Approach to Inverse Problems with Gamma
Hyperpriors [60.489902135153415]
本稿では,ガンマハイパープライヤを用いた階層的逆問題に対する変分反復交替方式を提案する。
提案した変分推論手法は正確な再構成を行い、意味のある不確実な定量化を提供し、実装が容易である。
論文 参考訳(メタデータ) (2021-11-26T06:33:29Z) - Posterior-Aided Regularization for Likelihood-Free Inference [23.708122045184698]
後補助正規化(PAR)は,モデル構造に関係なく,密度推定器の学習に適用可能である。
単一のニューラルネットワークを用いて逆KL項と相互情報項の両方を推定するPARの統一推定方法を提供する。
論文 参考訳(メタデータ) (2021-02-15T16:59:30Z)
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。