論文の概要: Overview of Gaussian process based multi-fidelity techniques with
variable relationship between fidelities
- arxiv url: http://arxiv.org/abs/2006.16728v1
- Date: Tue, 30 Jun 2020 12:37:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 04:54:35.180877
- Title: Overview of Gaussian process based multi-fidelity techniques with
variable relationship between fidelities
- Title（参考訳）: 忠実度間の変動を考慮したガウス過程に基づく多忠実度技術の概要
- Authors: Lo\"ic Brevault, Mathieu Balesdent, Ali Hebbal
- Abstract要約: 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。
- 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: The design process of complex systems such as new configurations of aircraft
or launch vehicles is usually decomposed in different phases which are
characterized for instance by the depth of the analyses in terms of number of
design variables and fidelity of the physical models. At each phase, the
designers have to compose with accurate but computationally intensive models as
well as cheap but inaccurate models. Multi-fidelity modeling is a way to merge
different fidelity models to provide engineers with accurate results with a
limited computational cost. Within the context of multi-fidelity modeling,
approaches relying on Gaussian Processes emerge as popular techniques to fuse
information between the different fidelity models. The relationship between the
fidelity models is a key aspect in multi-fidelity modeling. This paper provides
an overview of Gaussian process-based multi-fidelity modeling techniques for
variable relationship between the fidelity models (e.g., linearity,
non-linearity, variable correlation). Each technique is described within a
unified framework and the links between the different techniques are
highlighted. All the approaches are numerically compared on a series of
analytical test cases and four aerospace related engineering problems in order
to assess their benefits and disadvantages with respect to the problem
characteristics.
- Abstract（参考訳）: 航空機やロケットの新しい構成のような複雑なシステムの設計プロセスは通常、設計変数の数と物理モデルの忠実性の観点から分析の深さによって特徴づけられる異なるフェーズで分解される。
各フェーズでは、設計者は正確だが計算集約的なモデルと、安価だが不正確なモデルで構成する必要がある。
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。
マルチフィデリティモデリングの文脈において、ガウス過程に依存するアプローチは、異なるフィデリティモデル間で情報を融合する一般的な技術として現れる。
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,忠実度モデル間の可変関係(線形性,非線形性,可変相関など)に対するガウス過程に基づく多元性モデリング手法について概説する。
各テクニックは統一フレームワーク内で記述され、異なるテクニック間のリンクが強調される。
これらすべてのアプローチは、問題特性に関する利点と欠点を評価するために、一連の分析テストケースと4つの航空宇宙関連エンジニアリング問題に基づいて数値的に比較される。
関連論文リスト
- A Simple Approach to Unifying Diffusion-based Conditional Generation [63.389616350290595]
多様な条件生成タスクを処理するための、シンプルで統一されたフレームワークを導入します。
提案手法は,異なる推論時間サンプリング方式による多目的化を実現する。
我々のモデルは、非親密なアライメントや粗い条件付けのような追加機能をサポートしています。
論文 参考訳（メタデータ） (2024-10-15T09:41:43Z) - Practical multi-fidelity machine learning: fusion of deterministic and Bayesian models [0.34592277400656235]
マルチフィデリティ機械学習手法は、少ないリソース集約型高フィデリティデータと、豊富なが精度の低い低フィデリティデータを統合する。
低次元領域と高次元領域にまたがる問題に対する実用的多面性戦略を提案する。
論文 参考訳（メタデータ） (2024-07-21T10:40:50Z) - Multifidelity Cross-validation [0.0]
我々は、複数の忠実度におけるシステムのモデルから観察される関心の量のエミュレートに興味がある。
そこで我々は,LOO-CV(Leave-one-out cross-validation)を用いて代理モデルを積極的に学習する新しい手法を提案する。
本手法は, ガスタービンブレードの熱応力解析だけでなく, 合成試験問題にも有効であることを示す。
論文 参考訳（メタデータ） (2024-07-01T17:42:11Z) - FusionBench: A Comprehensive Benchmark of Deep Model Fusion [78.80920533793595]
ディープモデル融合(Deep Model fusion)とは、複数のディープニューラルネットワークの予測やパラメータを単一のモデルに統合する手法である。
FusionBenchは、ディープモデル融合に特化した最初の包括的なベンチマークである。
論文 参考訳（メタデータ） (2024-06-05T13:54:28Z) - Multifidelity Surrogate Models: A New Data Fusion Perspective [0.0]
多要素サロゲートモデリングは、異なるソースからの様々な精度とコストのデータを組み合わせる。
戦略的に低忠実度モデルを用いて、迅速な評価を行い、計算資源を節約している。
これは不確実性に対処し、単一忠実性モデルの限界を超えることで意思決定を改善する。
論文 参考訳（メタデータ） (2024-04-21T11:21:47Z) - Multi-fidelity Gaussian process surrogate modeling for regression problems in physics [0.0]
多重忠実度法は、忠実度を増大させる階層内のモデルに連鎖させることによって解を提供する。
提案手法は, 一般に, 単一忠実度法と比較して, 同じ計算コストで予測誤差が小さくなることを示す。
論文 参考訳（メタデータ） (2024-04-18T07:52:12Z) - Switchable Representation Learning Framework with Self-compatibility [50.48336074436792]
自己整合性(SFSC)を考慮した交換可能な表現学習フレームワークを提案する。
SFSCは1つのトレーニングプロセスを通じて、異なる能力を持つ一連の互換性のあるサブモデルを生成する。
SFSCは評価データセット上で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-06-16T16:46:32Z) - 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) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳（メタデータ） (2020-10-25T18:51:15Z) - Multi-fidelity modeling with different input domain definitions using
Deep Gaussian Processes [0.0]
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。
論文 参考訳（メタデータ） (2020-06-29T10:44:06Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳（メタデータ） (2020-03-04T00:44:57Z)
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。