論文の概要: MFNets: Data efficient all-at-once learning of multifidelity surrogates
as directed networks of information sources
- arxiv url: http://arxiv.org/abs/2008.02672v2
- Date: Mon, 23 Aug 2021 19:01:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 05:57:22.264613
- Title: MFNets: Data efficient all-at-once learning of multifidelity surrogates
as directed networks of information sources
- Title（参考訳）: MFNets: 情報ソースの有向ネットワークとしての多要素代理データの効率的なオール・アット・オンス学習
- Authors: Alex Gorodetsky and John D. Jakeman and Gianluca Geraci
- Abstract要約: 本稿では,コストと精度の異なる情報ソースのアンサンブルからサロゲートを構築する手法を提案する。
多面体サロゲートは、情報ソース間の接続を有向非巡回グラフとして符号化し、非線形最小二乗目標の勾配に基づく最小化により訓練する。
- 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: We present an approach for constructing a surrogate from ensembles of
information sources of varying cost and accuracy. The multifidelity surrogate
encodes connections between information sources as a directed acyclic graph,
and is trained via gradient-based minimization of a nonlinear least squares
objective. While the vast majority of state-of-the-art assumes hierarchical
connections between information sources, our approach works with flexibly
structured information sources that may not admit a strict hierarchy. The
formulation has two advantages: (1) increased data efficiency due to
parsimonious multifidelity networks that can be tailored to the application;
and (2) no constraints on the training data -- we can combine noisy, non-nested
evaluations of the information sources. Numerical examples ranging from
synthetic to physics-based computational mechanics simulations indicate the
error in our approach can be orders-of-magnitude smaller, particularly in the
low-data regime, than single-fidelity and hierarchical multifidelity
approaches.
- Abstract（参考訳）: 本稿では,コストと精度の異なる情報ソースのアンサンブルからサロゲートを構築する手法を提案する。
多面体サロゲートは、情報ソース間の接続を有向非巡回グラフとして符号化し、非線形最小二乗目標の勾配に基づく最小化により訓練する。
最先端技術の大部分は情報ソース間の階層的接続を前提としていますが、このアプローチは厳密な階層構造を認めない柔軟に構造化された情報ソースで動作するのです。
定式化には2つの利点がある: (1) アプリケーションに合わせて調整可能なパーシモーラスなマルチファイダリティネットワークによるデータ効率の向上、(2) トレーニングデータに対する制約 -- ノイズの多い非ネストされた情報ソースの評価を組み合わせることができる。
合成から物理に基づく計算力学シミュレーションに至るまでの数値的な例は、我々のアプローチにおける誤差は、特に低データ状態において、単一忠実性や階層的多忠実性アプローチよりも小さくなることを示している。
関連論文リスト
- Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [94.2860766709971]
統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。
我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
論文 参考訳（メタデータ） (2024-04-04T06:24:11Z) - Source-Aware Embedding Training on Heterogeneous Information Networks [11.006488894262748]
異種情報ネットワーク埋め込みの複数のソース間の埋め込み分布を整合させるスケーラブルなアン教師なしフレームワークを提案する。
様々な下流タスクにおける実世界のデータセットに関する実験結果は、最先端の異種情報ネットワーク埋め込みアルゴリズムに対して、我々の手法の性能を検証している。
論文 参考訳（メタデータ） (2023-07-10T04:22:49Z) - Disentangled Multi-Fidelity Deep Bayesian Active Learning [19.031567953748453]
マルチ忠実能動学習は、入力パラメータからシミュレーション出力への直接マッピングを最も高い忠実度で学習することを目的としている。
深層学習に基づく手法は、しばしば隠れ表現に階層構造を課し、低忠実度から高忠実度への情報伝達のみをサポートする。
本稿では,D-MFDAL(Disentangled Multi-fidelity Deep Bayesian Active Learning)と呼ばれる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-07T23:14:58Z) - Enhancing Multiple Reliability Measures via Nuisance-extended
Information Bottleneck [77.37409441129995]
トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。
我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。
そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
論文 参考訳（メタデータ） (2023-03-24T16:03:21Z) - Probabilistic Neural Data Fusion for Learning from an Arbitrary Number
of Multi-fidelity Data Sets [0.0]
本稿では,データ融合にニューラルネットワーク(NN)を用いる。
本稿では,MFモデリングを非線形多様体学習問題に変換するユニークなNNアーキテクチャを提案する。
我々のアプローチは、様々な情報源の不確実性を定量化しながら、高い予測力を提供します。
論文 参考訳（メタデータ） (2023-01-30T20:27:55Z) - Robust Direct Learning for Causal Data Fusion [14.462235940634969]
我々は、他のニュアンス関数から処理効果を分離するマルチソースデータを統合するためのフレームワークを提供する。
また,半パラメトリック効率理論の理論的洞察に基づく因果情報認識重み付け関数を提案する。
論文 参考訳（メタデータ） (2022-11-01T03:33:22Z) - Exploiting Temporal Structures of Cyclostationary Signals for
Data-Driven Single-Channel Source Separation [98.95383921866096]
単一チャネルソース分離(SCSS)の問題点について検討する。
我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。
本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2022-08-22T14:04:56Z) - Variational Distillation for Multi-View Learning [104.17551354374821]
我々は,多視点表現学習における2つの重要な特徴を利用するために,様々な情報ボトルネックを設計する。
厳密な理論的保証の下で,本手法は,観察とセマンティックラベルの内在的相関の把握を可能にする。
論文 参考訳（メタデータ） (2022-06-20T03:09:46Z) - Deep Transfer Learning for Multi-source Entity Linkage via Domain
Adaptation [63.24594955429465]
マルチソースエンティティリンクは、データのクリーニングやユーザ縫合といった、高インパクトなアプリケーションにおいて重要である。
AdaMELは、多ソースエンティティリンクを実行するための一般的なハイレベルな知識を学ぶディープトランスファー学習フレームワークである。
本フレームワークは,教師付き学習に基づく平均的手法よりも8.21%向上した最先端の学習結果を実現する。
論文 参考訳（メタデータ） (2021-10-27T15:20:41Z) - Resource-constrained Federated Edge Learning with Heterogeneous Data:
Formulation and Analysis [8.863089484787835]
ヘテロジニアスデータによる不均一な統計的課題を解決するために, 分散されたニュートン型ニュートン型トレーニングスキームであるFedOVAを提案する。
FedOVAはマルチクラス分類問題をより単純なバイナリ分類問題に分解し、アンサンブル学習を用いてそれぞれの出力を結合する。
論文 参考訳（メタデータ） (2021-10-14T17:35:24Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z)
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。