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
- PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
PseudoNeg-MAEは,ポイントマスク自動エンコーダのグローバルな特徴表現を強化する,自己教師型学習フレームワークである。
PseudoNeg-MAE は ModelNet40 と ScanObjectNN のデータセット上で最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2024-09-24T07:57:21Z) - NeurAM: nonlinear dimensionality reduction for uncertainty quantification through neural active manifolds [0.6990493129893112]
我々はオートエンコーダを利用して1次元のニューラルアクティブ多様体(NeurAM)をモデル出力の可変性を捉える。
分散を低減した多要素サンプリング推定器にNeurAMをどのように利用できるかを示す。
論文 参考訳(メタデータ) (2024-08-07T04:27:58Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
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) - 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) - 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) - Conditional-Flow NeRF: Accurate 3D Modelling with Reliable Uncertainty
Quantification [44.598503284186336]
Conditional-Flow NeRF (CF-NeRF) は、不確実な定量化をNeRFベースのアプローチに組み込む新しい確率的フレームワークである。
CF-NeRFは、モデル化されたシーンに関連する不確実性を定量化するために使用される全ての可能な放射場モデリング上の分布を学習する。
論文 参考訳(メタデータ) (2022-03-18T23:26:20Z) - Robustness Analysis of Neural Networks via Efficient Partitioning with
Applications in Control Systems [45.35808135708894]
ニューラルネットワーク(NN)は現在、不確実な環境で動作しなければならないシステムに定期的に実装されている。
本稿では、ロバストネス解析アルゴリズムのファミリを提供するために、伝播と分割のアプローチを統合する。
新しいパーティショニング技術は、現在の境界推定値と望ましい境界形状を認識している。
論文 参考訳(メタデータ) (2020-10-01T16:51:36Z) - 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。