論文の概要: Multifidelity Data Fusion via Gradient-Enhanced Gaussian Process Regression

• arxiv url: http://arxiv.org/abs/2008.01066v1
• Date: Mon, 3 Aug 2020 17:57:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 06:59:07.867166
• Title: Multifidelity Data Fusion via Gradient-Enhanced Gaussian Process Regression
• Title（参考訳）: 勾配拡大ガウス過程回帰による多元的データ融合
• Authors: Yixiang Deng, Guang Lin and Xiu Yang
• Abstract要約: 本稿では,多元性ガウス過程回帰(GPR)フレームワークに基づくデータ融合手法を提案する。 この方法は、利子量(QoI)の利用可能なデータと、その勾配を異なる忠実度レベル、すなわち、グラディエント強化 Cokriging 法(GE-Cokriging 法)との組み合わせである。 GE-Cokriging法はCokriging法よりも若干高い計算コストを必要とするが、精度比較の結果、このコストは一般的にそれに値することを示している。
• 参考スコア（独自算出の注目度）: 7.272791116569247
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a data fusion method based on multi-fidelity Gaussian process regression (GPR) framework. This method combines available data of the quantity of interest (QoI) and its gradients with different fidelity levels, namely, it is a Gradient-enhanced Cokriging method (GE-Cokriging). It provides the approximations of both the QoI and its gradients simultaneously with uncertainty estimates. We compare this method with the conventional multi-fidelity Cokriging method that does not use gradients information, and the result suggests that GE-Cokriging has a better performance in predicting both QoI and its gradients. Moreover, GE-Cokriging even shows better generalization result in some cases where Cokriging performs poorly due to the singularity of the covariance matrix. We demonstrate the application of GE-Cokriging in several practical cases including reconstructing the trajectories and velocity of an underdamped oscillator with respect to time simultaneously, and investigating the sensitivity of power factor of a load bus with respect to varying power inputs of a generator bus in a large scale power system. We also show that though GE-Cokriging method requires a little bit higher computational cost than Cokriging method, the result of accuracy comparison shows that this cost is usually worth it.
• Abstract（参考訳）: 本稿では,多元性ガウス過程回帰(GPR)フレームワークに基づくデータ融合手法を提案する。 この方法は、利子量(QoI)の利用可能なデータと、その勾配を異なる忠実度レベル、すなわち、グラディエント強化コックリグ法(GE-Cokriging)と組み合わせる。 これはqoiとその勾配の近似と不確実性推定を同時に提供する。 本手法は, 勾配情報を使用しない従来の多元的コクリゲティング法と比較し, ge-コクリゲティング法がqoiとその勾配の予測に有効であることを示唆する。 さらに、GE-Cokriging は共分散行列の特異性のため、Cokriging が貧弱な場合にもより良い一般化結果を示す。 本稿では, GE-Cokrigingの適用事例として, 同時に過負荷発振器の軌道と速度を再現すること, 大規模電力系統における発電機バスの電力入力の変化に対する負荷バスの電力係数の感度について検討する。 また,GE-Cokriging法はCokriging法よりも若干高い計算コストを必要とするが,精度比較の結果,このコストは通常,その価値が高いことが示された。

関連論文リスト

• GE-AdvGAN: Improving the transferability of adversarial samples by gradient editing-based adversarial generative model [69.71629949747884]
  GAN(Generative Adversarial Networks)のような逆生成モデルは、様々な種類のデータを生成するために広く応用されている。 本研究では, GE-AdvGAN という新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-11T16:43:16Z)
• A New Probabilistic Distance Metric With Application In Gaussian Mixture Reduction [25.07521362926412]
  本稿では,2つの連続確率密度関数を比較するための新しい距離指標を提案する。 この計量の主な利点は、ガウス分布の混合に対して解析的で閉形式表現を提供できることである。
  論文  参考訳（メタデータ） (2023-06-12T17:50:09Z)
• GAR: Generalized Autoregression for Multi-Fidelity Fusion [16.464126364802283]
  一般化自己回帰(GAR)は、低忠実度(高速だが不正確な)と高忠実度(スローだが正確な)シミュレーションの結果を組み合わせるために提案される。 ガーは任意の次元出力と任意の多面体データ構造に対処し、多面体融合の需要を満たすことができる。 Gar は SOTA 法を高いマージン(RMSE の最大 6 倍の改善)で一貫して上回り、高忠実度トレーニングサンプルはわずか2 つしかない。
  論文  参考訳（メタデータ） (2023-01-13T19:10:25Z)
• Accelerated Gradient Descent Learning over Multiple Access Fading Channels [9.840290491547162]
  N分散エッジデバイスとパラメータサーバ(PS)からなる無線ネットワークにおける分散学習問題を考える。 そこで我々は, ノイズフェージングMAC上での運動量に基づく勾配信号を用いて, 既存の手法と比較して収束率を向上する, 高速勾配多重アクセス(AGMA)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-07-26T19:51:40Z)
• Differentiable Annealed Importance Sampling and the Perils of Gradient Noise [68.44523807580438]
  Annealed importance sample (AIS) と関連するアルゴリズムは、限界推定のための非常に効果的なツールである。 差別性は、目的として限界確率を最適化する可能性を認めるため、望ましい性質である。 我々はメトロポリス・ハスティングスのステップを放棄して微分可能アルゴリズムを提案し、ミニバッチ計算をさらに解き放つ。
  論文  参考訳（メタデータ） (2021-07-21T17:10:14Z)
• Scalable Variational Gaussian Processes via Harmonic Kernel Decomposition [54.07797071198249]
  汎用性を維持しつつ高い忠実度近似を提供する,スケーラブルな変分ガウス過程近似を導入する。 様々な回帰問題や分類問題において,本手法は変換やリフレクションなどの入力空間対称性を活用できることを実証する。 提案手法は, 純粋なGPモデルのうち, CIFAR-10 の最先端化を実現する。
  論文  参考訳（メタデータ） (2021-06-10T18:17:57Z)
• Stochastic Reweighted Gradient Descent [4.355567556995855]
  SRG(stochastic reweighted gradient)と呼ばれる重要サンプリングに基づくアルゴリズムを提案する。 我々は、提案手法の時間とメモリオーバーヘッドに特に注意を払っています。 我々はこの発見を裏付ける実験結果を示す。
  論文  参考訳（メタデータ） (2021-03-23T04:09:43Z)
• Zeroth-Order Hybrid Gradient Descent: Towards A Principled Black-Box Optimization Framework [100.36569795440889]
  この作業は、一階情報を必要としない零次最適化(ZO)の反復である。 座標重要度サンプリングにおける優雅な設計により,ZO最適化法は複雑度と関数クエリコストの両面において効率的であることを示す。
  論文  参考訳（メタデータ） (2020-12-21T17:29:58Z)
• Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
  そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。 我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。 数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-11-18T16:40:45Z)
• Improving Sampling Accuracy of Stochastic Gradient MCMC Methods via Non-uniform Subsampling of Gradients [54.90670513852325]
  サンプリング精度を向上させるための一様でないサブサンプリング手法を提案する。 EWSGは、一様勾配MCMC法がバッチ勾配MCMC法の統計的挙動を模倣するように設計されている。 EWSGの実践的な実装では、データインデックス上のMetropolis-Hastingsチェーンを介して、一様でないサブサンプリングを効率的に行う。
  論文  参考訳（メタデータ） (2020-02-20T18:56:18Z)
• Gaussian Mixture Reduction with Composite Transportation Divergence [15.687740538194413]
  複合輸送分散(CTD)に基づく新しい最適化型GMR法を提案する。 我々は,還元混合物を計算し,その理論的収束を確立するための最大化最小化アルゴリズムを開発した。 統合されたフレームワークにより、CTDの最も適切なコスト関数を選択して、優れたパフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2020-02-19T19:52:17Z)

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。