論文の概要: Semi-supervised deep learning for high-dimensional uncertainty
quantification
- arxiv url: http://arxiv.org/abs/2006.01010v1
- Date: Mon, 1 Jun 2020 15:15:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 05:47:21.227709
- Title: Semi-supervised deep learning for high-dimensional uncertainty
quantification
- Title(参考訳): 高次元不確かさ定量化のための半教師付きディープラーニング
- Authors: Zequn Wang and Mingyang Li
- Abstract要約: 本稿では,次元削減と信頼性解析のための半教師付き学習フレームワークを提案する。
オートエンコーダは、まず高次元空間を低次元潜在空間にマッピングするために用いられる。
ディープフィードフォワードニューラルネットワークを用いてマッピング関係を学習し、潜伏空間を再構築する。
- 参考スコア(独自算出の注目度): 6.910275451003041
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conventional uncertainty quantification methods usually lacks the capability
of dealing with high-dimensional problems due to the curse of dimensionality.
This paper presents a semi-supervised learning framework for dimension
reduction and reliability analysis. An autoencoder is first adopted for mapping
the high-dimensional space into a low-dimensional latent space, which contains
a distinguishable failure surface. Then a deep feedforward neural network (DFN)
is utilized to learn the mapping relationship and reconstruct the latent space,
while the Gaussian process (GP) modeling technique is used to build the
surrogate model of the transformed limit state function. During the training
process of the DFN, the discrepancy between the actual and reconstructed latent
space is minimized through semi-supervised learning for ensuring the accuracy.
Both labeled and unlabeled samples are utilized for defining the loss function
of the DFN. Evolutionary algorithm is adopted to train the DFN, then the Monte
Carlo simulation method is used for uncertainty quantification and reliability
analysis based on the proposed framework. The effectiveness is demonstrated
through a mathematical example.
- Abstract(参考訳): 従来の不確実性定量化法は、次元性の呪いによる高次元問題を扱う能力に欠ける。
本稿では,次元削減と信頼性解析のための半教師付き学習フレームワークを提案する。
オートエンコーダはまず、高次元空間を識別可能な故障面を含む低次元の潜在空間にマッピングするために採用される。
次に、ディープフィードフォワードニューラルネットワーク(DFN)を用いてマッピング関係を学習し、潜在空間を再構成し、ガウス過程(GP)モデリング技術を用いて変換された極限状態関数の代理モデルを構築する。
DFNの訓練過程において、実際の潜伏空間と再構成された潜伏空間との差を半教師付き学習により最小化し、精度を確保する。
DFNの損失関数の定義にはラベル付きサンプルとラベルなしサンプルの両方が使用される。
dfnのトレーニングには進化的アルゴリズムが採用され、提案手法に基づく不確実性定量化と信頼性解析にモンテカルロシミュレーション法が用いられる。
その効果は数学的例によって示される。
関連論文リスト
- Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field
and Online Inference [50.91823345296243]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳(メタデータ) (2023-12-10T15:22:30Z) - SimPINNs: Simulation-Driven Physics-Informed Neural Networks for
Enhanced Performance in Nonlinear Inverse Problems [0.0]
本稿では,ディープラーニング技術を活用した逆問題の解法を提案する。
目的は、観測データに基づいて物理システムを管理する未知のパラメータを推論することである。
論文 参考訳(メタデータ) (2023-09-27T06:34:55Z) - Distance Preserving Machine Learning for Uncertainty Aware Accelerator
Capacitance Predictions [1.1776336798216411]
ディープニューラルネットワークとガウス過程近似技術は有望な結果を示しているが、標準ディープニューラルネットワーク層による次元削減はガウス過程モデルに必要な距離情報を維持することが保証されていない。
本研究では, スペクトル正規化高密度層に対する特異値分解法を, ディープ・ニューラル・ガウス過程近似モデルの特徴抽出器として用いた。
本モデルでは, 距離保存の精度が向上し, 1%未満の誤差で分配容量を予測できる。
論文 参考訳(メタデータ) (2023-07-05T15:32:39Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳(メタデータ) (2023-03-03T08:17:47Z) - Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。
また、局所的な一貫性の結果に基づいた理論的保証も提供する。
この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
論文 参考訳(メタデータ) (2022-11-17T15:48:06Z) - Bayesian deep learning framework for uncertainty quantification in high
dimensions [6.282068591820945]
我々はベイズニューラルネットワーク(BNN)とハミルトンモンテカルロ(HMC)に基づく偏微分方程式の不確実性定量化のための新しい深層学習法を開発した。
BNNは、ネットワークパラメータに対してベイズ推論を行うことにより、ディープニューラルネットワークにおけるパラメータの後方分布を効率的に学習する。
後部分布は、HMCを用いて効率よくサンプリングされ、システムの不確かさを定量化する。
論文 参考訳(メタデータ) (2022-10-21T05:20:06Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Deep subspace encoders for continuous-time state-space identification [0.0]
連続時間(CT)モデルは、学習中にサンプル効率が改善されている。
マルチフェイスCT状態空間モデル同定問題はまだ完全に解決されていない。
本稿では,これらの側面を含む新しい評価手法を提案する。
論文 参考訳(メタデータ) (2022-04-20T11:55:17Z) - NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural
Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。
種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文 参考訳(メタデータ) (2022-02-07T12:30:45Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳(メタデータ) (2020-11-05T08:04:34Z) - Higher-order Quasi-Monte Carlo Training of Deep Neural Networks [0.0]
本稿では,DNN (Deep Neural Network) によるDtO (Data-to-Observable) マップのトレーニングに準モンテカルロ点を用いた新しいアルゴリズム手法と誤差解析を提案する。
論文 参考訳(メタデータ) (2020-09-06T11:31:42Z)
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。