論文の概要: Multi-fidelity modeling with different input domain definitions using Deep Gaussian Processes

• arxiv url: http://arxiv.org/abs/2006.15924v1
• Date: Mon, 29 Jun 2020 10:44:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 13:47:23.886066
• Title: Multi-fidelity modeling with different input domain definitions using Deep Gaussian Processes
• Title（参考訳）: 深いガウス過程を用いた入力領域定義の異なる多元性モデリング
• Authors: Ali Hebbal, Loic Brevault, Mathieu Balesdent, El-Ghazali Talbi and Nouredine Melab
• Abstract要約: 少ないが正確なデータセット(高忠実度データセット)と大きいが近似的なモデル(低忠実度データセット)を組み合わせた多忠実度アプローチ GPの関数構成であるディープガウス過程(DGP)もMF-DGP(Multi-Fidelity Deep Gaussian Process Model)を用いて多重忠実性に適用されている。
• 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: Multi-fidelity approaches combine different models built on a scarce but accurate data-set (high-fidelity data-set), and a large but approximate one (low-fidelity data-set) in order to improve the prediction accuracy. Gaussian Processes (GPs) are one of the popular approaches to exhibit the correlations between these different fidelity levels. Deep Gaussian Processes (DGPs) that are functional compositions of GPs have also been adapted to multi-fidelity using the Multi-Fidelity Deep Gaussian process model (MF-DGP). This model increases the expressive power compared to GPs by considering non-linear correlations between fidelities within a Bayesian framework. However, these multi-fidelity methods consider only the case where the inputs of the different fidelity models are defined over the same domain of definition (e.g., same variables, same dimensions). However, due to simplification in the modeling of the low-fidelity, some variables may be omitted or a different parametrization may be used compared to the high-fidelity model. In this paper, Deep Gaussian Processes for multi-fidelity (MF-DGP) are extended to the case where a different parametrization is used for each fidelity. The performance of the proposed multifidelity modeling technique is assessed on analytical test cases and on structural and aerodynamic real physical problems.
• Abstract（参考訳）: 多忠実なアプローチは、予測精度を改善するために、少ないが正確なデータセット(高忠実なデータセット)と大きいが近似的なデータセット(低忠実なデータセット)の上に構築された異なるモデルを組み合わせる。 ガウス過程(英: Gaussian Processes、GP)は、これらの異なる忠実度レベルの間の相関を示す一般的なアプローチの1つである。 GPの関数構成であるディープガウス過程(DGP)も、マルチフィデリティディープガウスプロセスモデル(MF-DGP)を用いて多重フィデリティに適用されている。 このモデルは、ベイズフレームワーク内の忠実度間の非線形相関を考慮し、GPと比較して表現力を増加させる。 しかし、これらの多重忠実度法は、異なる忠実度モデルの入力が同じ定義領域(例えば同じ変数、同じ次元)上で定義される場合にのみ考慮される。 しかし、低忠実度モデルの単純化により、いくつかの変数を省略したり、高忠実度モデルと比較して異なるパラメータ化を用いることもできる。 本稿では,MF-DGP (Deep Gaussian Processes for Multi-fidelity) を,各忠実度に対して異なるパラメトリゼーションを用いる場合まで拡張する。 提案手法の性能は, 解析的テスト事例と構造的および空力的実物問題に基づいて評価する。

関連論文リスト

• Gradient-enhanced deep Gaussian processes for multifidelity modelling [0.0]
  マルチファイダリティモデルは、複数のソースからのデータを統合して、基礎となるプロセスのための単一の近似器を生成する。 ディープガウス過程(GP)は、非パラメトリックで、オーバーフィッティングに頑健で、小さなデータセットでうまく機能するため、多忠実なモデリングには魅力的である。
  論文  参考訳（メタデータ） (2024-02-25T11:08:19Z)
• Heterogeneous Multi-Task Gaussian Cox Processes [61.67344039414193]
  異種相関タスクを共同でモデル化するためのマルチタスクガウスコックスプロセスの新たな拡張を提案する。 MOGPは、分類、回帰、ポイントプロセスタスクの専用可能性のパラメータに先行して、異種タスク間の情報の共有を容易にする。 モデルパラメータを推定するための閉形式反復更新を実現する平均場近似を導出する。
  論文  参考訳（メタデータ） (2023-08-29T15:01:01Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
  カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。 本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
  論文  参考訳（メタデータ） (2022-03-23T12:52:49Z)
• Deep Variational Models for Collaborative Filtering-based Recommender Systems [63.995130144110156]
  ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。 提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。 提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2021-07-27T08:59:39Z)
• Multifidelity Modeling for Physics-Informed Neural Networks (PINNs) [13.590496719224987]
  物理インフォームドニューラルネットワーク(PINN)は多要素シミュレーション手法の候補である。 本稿では、低ランク構造を利用するPINNに適用した特定の多忠実性アプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-25T00:19:19Z)
• Post-mortem on a deep learning contest: a Simpson's paradox and the complementary roles of scale metrics versus shape metrics [61.49826776409194]
  我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。 メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。 本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
  論文  参考訳（メタデータ） (2021-06-01T19:19:49Z)
• Probabilistic Circuits for Variational Inference in Discrete Graphical Models [101.28528515775842]
  変分法による離散的グラフィカルモデルの推論は困難である。 エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。 Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。 選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-22T05:04:38Z)
• Overview of Gaussian process based multi-fidelity techniques with variable relationship between fidelities [0.0]
  マルチフィデリティモデリングは、異なるフィデリティモデルをマージして、計算コストに制限のある正確な結果を提供する方法である。 忠実度モデル間の関係は多忠実度モデリングにおける重要な側面である。 本稿では,ガウス過程に基づく多忠実度モデリング手法の概要について述べる。
  論文  参考訳（メタデータ） (2020-06-30T12:37:41Z)
• Multi-Fidelity High-Order Gaussian Processes for Physical Simulation [24.033468062984458]
  高忠実度偏微分方程式(PDE)は低忠実度偏微分方程式よりも高価である。 複雑な相関関係を捉えることができるMFHoGP(Multi-Fidelity High-Order Gaussian Process)を提案する。 MFHoGPは、情報を融合するために基礎を伝播し、基礎重みよりも先に深い行列GPを配置する。
  論文  参考訳（メタデータ） (2020-06-08T22:31:59Z)
• Conditional Deep Gaussian Processes: multi-fidelity kernel learning [6.599344783327053]
  固定された低忠実度データにより遅延GPを直接支持する条件付きDGPモデルを提案する。 合成および高次元データを用いた実験は、他の多次元回帰法と同等の性能を示す。 低忠実度データと階層DGP構造により、実効カーネルは真関数の帰納バイアスを符号化する。
  論文  参考訳（メタデータ） (2020-02-07T14:56:11Z)

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。