論文の概要: CLAIMED: A CLAssification-Incorporated Minimum Energy Design to explore
a multivariate response surface with feasibility constraints
- arxiv url: http://arxiv.org/abs/2006.05021v2
- Date: Tue, 14 Sep 2021 03:55:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 13:44:19.611180
- Title: CLAIMED: A CLAssification-Incorporated Minimum Energy Design to explore
a multivariate response surface with feasibility constraints
- Title（参考訳）: クレーム:実現可能性制約のある多変量応答面を探索するための分類を組み込んだ最小エネルギー設計
- Authors: Mert Y. Sengul, Yao Song, Linglin He, Adri C. T. van Duin, Ying Hung
and Tirthankar Dasgupta
- Abstract要約: 物理学における力場系の最適化の問題に動機付けられ、決定論的複素多変量応答曲面の探索を検討する。
目的は、所望または"ターゲット"ベクトルに近い出力を生成する入力の組み合わせを見つけることである。
1次元の損失関数に関して入力空間の探索の問題を減らす一方で、探索は非自明で困難である。
本稿では、機械学習技術とスマートな実験設計のアイデアを組み合わせることで、入力空間内の複数の良い領域を特定する手法を提案する。
- 参考スコア（独自算出の注目度）: 5.358212984063069
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motivated by the problem of optimization of force-field systems in physics
using large-scale computer simulations, we consider exploration of a
deterministic complex multivariate response surface. The objective is to find
input combinations that generate output close to some desired or "target"
vector. In spite of reducing the problem to exploration of the input space with
respect to a one-dimensional loss function, the search is nontrivial and
challenging due to infeasible input combinations, high dimensionalities of the
input and output space and multiple "desirable" regions in the input space and
the difficulty of emulating the objective function well with a surrogate model.
We propose an approach that is based on combining machine learning techniques
with smart experimental design ideas to locate multiple good regions in the
input space.
- Abstract（参考訳）: 大規模計算機シミュレーションを用いた物理学における力場系の最適化問題により,決定論的複素多変量応答曲面の探索を検討した。
目的は、所望または"ターゲット"ベクトルに近い出力を生成する入力の組み合わせを見つけることである。
1次元の損失関数に対する入力空間探索の問題を軽減する一方で、入力空間における入力空間と出力空間の高次元性と複数の「望ましくない」領域、および目的関数をサロゲートモデルでうまくエミュレートすることの難しさにより、探索は非自明で困難である。
本稿では,機械学習技術とスマートな実験設計アイデアを組み合わせることにより,入力空間内の複数の良い領域を探索する手法を提案する。
関連論文リスト
- HRVMamba: High-Resolution Visual State Space Model for Dense Prediction [60.80423207808076]
効率的なハードウェアを意識した設計のステートスペースモデル(SSM)は、コンピュータビジョンタスクにおいて大きな可能性を証明している。
これらのモデルは、誘導バイアスの不足、長距離の忘れ、低解像度の出力表現の3つの主要な課題によって制約されている。
本稿では, 変形可能な畳み込みを利用して, 長距離忘れ問題を緩和する動的ビジュアル状態空間(DVSS)ブロックを提案する。
また,DVSSブロックに基づく高分解能視覚空間モデル(HRVMamba)を導入し,プロセス全体を通して高分解能表現を保存する。
論文 参考訳（メタデータ） (2024-10-04T06:19:29Z) - Deep Learning System Boundary Testing through Latent Space Style Mixing [3.4561220135252277]
テスト中の深層学習システムのためのフロンティア入力を生成する新しいブラックボックスシステム非依存テストジェネレータMIMICRYを紹介する。
MIMICRYは、アンタングルされた特徴を持つ入力の表現を学ぶために訓練されたスタイルベースの生成敵ネットワークを使用する。
一般的な4つのDL画像分類システムにおける境界入力生成におけるMIMICRY構成の有効性を評価した。
論文 参考訳（メタデータ） (2024-08-12T16:14:55Z) - BEACON: A Bayesian Optimization Strategy for Novelty Search in Expensive Black-Box Systems [1.204357447396532]
ノベルティ・サーチ (NS) は、シミュレーションや実験を通じて様々なシステムの振る舞いを自動的に発見する探索アルゴリズムのクラスである。
このような高価なブラックボックスシステムに特化して設計されたサンプル効率のNSに対するベイズ最適化法を提案する。
提案手法は,限られたサンプル予算の下で,より大規模な多様な挙動の集合を見出すことにより,既存のNSアルゴリズムよりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2024-06-05T20:23:52Z) - Latent Energy-Based Odyssey: Black-Box Optimization via Expanded Exploration in the Energy-Based Latent Space [65.44449711359724]
ブラックボックス関数の高次元かつ高マルチモーダルな入力設計空間は、既存の手法に固有の課題をもたらす。
設計値の結合空間の圧縮的かつ正確な表現として機能する潜在空間の発見を検討する。
本稿では, 高精度潜時空間モデルの変分学習のための雑音強調型テレスコープ密度比推定法を提案する。
論文 参考訳（メタデータ） (2024-05-27T00:11:53Z) - A Multi-Fidelity Methodology for Reduced Order Models with
High-Dimensional Inputs [0.0]
本研究では,高次元コンテキスト向けに設計された新しい多面的・パラメトリック・非侵入型ROMフレームワークを提案する。
これは、多様体アライメントと次元縮小のための機械学習技術を統合する。
我々のアプローチは、2D RAE2822翼と3D NASA CRM翼の2つのテストケースで検証されている。
論文 参考訳（メタデータ） (2024-02-26T22:47:03Z) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳（メタデータ） (2024-01-24T01:33:39Z) - Feature-adjacent multi-fidelity physics-informed machine learning for
partial differential equations [0.1713291434132985]
物理インフォームドニューラルネットワークは偏微分方程式の解法として登場した。
複雑な問題に対して、そのようなネットワークのトレーニングには高忠実度データが必要である。
本稿では,低忠実度および高忠実度ソリューションで共有される特徴空間に基づく,新しい多忠実度アーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-03-21T03:51:15Z) - Multi-Resource Allocation for On-Device Distributed Federated Learning
Systems [79.02994855744848]
本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。
システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
論文 参考訳（メタデータ） (2022-11-01T14:16:05Z) - Over-the-Air Multi-Task Federated Learning Over MIMO Interference
Channel [17.362158131772127]
We study over-the-air multi-task FL (OA-MTFL) over the multiple-input multiple-output (MIMO) interference channel。
そこで本研究では,各デバイスに局所勾配をアライメントするモデルアグリゲーション手法を提案する。
新たなモデルアグリゲーション手法を用いることで,デバイス選択はもはや我々の計画に必須ではないことを示す。
論文 参考訳（メタデータ） (2021-12-27T10:42:04Z) - Fixed Depth Hamiltonian Simulation via Cartan Decomposition [59.20417091220753]
時間に依存しない深さの量子回路を生成するための構成的アルゴリズムを提案する。
一次元横フィールドXYモデルにおけるアンダーソン局在化を含む、モデルの特殊クラスに対するアルゴリズムを強調する。
幅広いスピンモデルとフェルミオンモデルに対して正確な回路を提供するのに加えて、我々のアルゴリズムは最適なハミルトニアンシミュレーションに関する幅広い解析的および数値的な洞察を提供する。
論文 参考訳（メタデータ） (2021-04-01T19:06:00Z) - Offline Model-Based Optimization via Normalized Maximum Likelihood
Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。
この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。
我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文 参考訳（メタデータ） (2021-02-16T06:04:27Z)
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。