論文の概要: Optimal Bayesian experimental design for subsurface flow problems
- arxiv url: http://arxiv.org/abs/2008.03989v1
- Date: Mon, 10 Aug 2020 09:42:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 23:42:30.482624
- Title: Optimal Bayesian experimental design for subsurface flow problems
- Title（参考訳）: 地下流れ問題に対する最適ベイズ実験設計
- Authors: Alexander Tarakanov, Ahmed H. Elsheikh
- Abstract要約: 本稿では,設計ユーティリティ機能のためのカオス拡張サロゲートモデル(PCE)の開発のための新しいアプローチを提案する。
この手法により,対象関数に対する適切な品質応答面の導出が可能となり,計算予算は複数の単点評価に匹敵する。
- 参考スコア（独自算出の注目度）: 77.34726150561087
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optimal Bayesian design techniques provide an estimate for the best
parameters of an experiment in order to maximize the value of measurements
prior to the actual collection of data. In other words, these techniques
explore the space of possible observations and determine an experimental setup
that produces maximum information about the system parameters on average.
Generally, optimal Bayesian design formulations result in multiple
high-dimensional integrals that are difficult to evaluate without incurring
significant computational costs as each integration point corresponds to
solving a coupled system of partial differential equations. In the present
work, we propose a novel approach for development of polynomial chaos expansion
(PCE) surrogate model for the design utility function. In particular, we
demonstrate how the orthogonality of PCE basis polynomials can be utilized in
order to replace the expensive integration over the space of possible
observations by direct construction of PCE approximation for the expected
information gain. This novel technique enables the derivation of a reasonable
quality response surface for the targeted objective function with a
computational budget comparable to several single-point evaluations. Therefore,
the proposed technique reduces dramatically the overall cost of optimal
Bayesian experimental design. We evaluate this alternative formulation
utilizing PCE on few numerical test cases with various levels of complexity to
illustrate the computational advantages of the proposed approach.
- Abstract（参考訳）: 最適なベイズ設計手法は、実際のデータ収集に先立って測定値の最大化のために、実験の最良のパラメータの見積もりを提供する。
言い換えれば、これらの技術は可能な観測の空間を探索し、平均でシステムパラメータに関する最大情報を生成する実験的な設定を決定する。
一般に、最適なベイズ設計の定式化は、各積分点が偏微分方程式の結合系の解に対応するため、重要な計算コストを伴わずに評価が難しい複数の高次元積分をもたらす。
本研究は,設計ユーティリティ関数に対する多項式カオス展開(PCE)代理モデルの開発のための新しいアプローチを提案する。
特に,予測情報ゲインに対するPCE近似を直接構築することにより,観測可能な空間上の高価な積分を置き換えるために,PCE基底多項式の直交性をいかに活用できるかを示す。
この手法により,対象関数に対する適切な品質応答面の導出が可能となり,計算予算は複数の単点評価に匹敵する。
したがって,提案手法はベイズ最適実験設計のコストを劇的に削減する。
提案手法の計算上の利点を説明するため,PCE を利用したこの代替形式を,様々なレベルの複雑性を持つ数個の数値テストケースで評価した。
関連論文リスト
- An Adaptive Dimension Reduction Estimation Method for High-dimensional
Bayesian Optimization [6.79843988450982]
BOを高次元設定に拡張するための2段階最適化フレームワークを提案する。
私たちのアルゴリズムは、これらのステップを並列またはシーケンスで操作する柔軟性を提供します。
数値実験により,困難シナリオにおける本手法の有効性が検証された。
論文 参考訳（メタデータ） (2024-03-08T16:21:08Z) - Probabilistic Bayesian optimal experimental design using conditional
normalizing flows [2.7689411149700685]
ベイズ最適実験設計(OED)は予算制約の下で最も有益な実験を行うことを目指している。
我々は,OED問題の解法を効率よく,スケーラブルで,実用的なアプリケーションに堅牢にするための,新しい共同最適化手法を提案する。
我々は,高次元(320$times 320)パラメータを高分解能,高次元(640$times 386)観測,および最も情報性の高い観測を選択するためのバイナリ設計を有する実用的MRI OED問題に対する性能提案手法を実証した。
論文 参考訳（メタデータ） (2024-02-28T13:59:20Z) - Variational Sequential Optimal Experimental Design using Reinforcement
Learning [0.0]
ベイジアン・フレームワークと情報ゲイン・ユーティリティを用いた有限列実験を最適に設計する新しい手法である変分逐次最適実験設計(vsOED)を導入する。
以上の結果から,従来の逐次設計アルゴリズムと比較して,サンプル効率が大幅に向上し,前方モデルシミュレーションの数が減少したことが示唆された。
論文 参考訳（メタデータ） (2023-06-17T21:47:19Z) - Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。
実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-10-07T02:12:34Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳（メタデータ） (2022-09-16T19:15:50Z) - Non-Convex Optimization with Certificates and Fast Rates Through Kernel
Sums of Squares [68.8204255655161]
非最適化近似問題を考える。
本稿では,最優先計算を保証するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-04-11T09:37:04Z) - Outlier-Robust Sparse Estimation via Non-Convex Optimization [73.18654719887205]
空間的制約が存在する場合の高次元統計量と非破壊的最適化の関連について検討する。
これらの問題に対する新規で簡単な最適化法を開発した。
結論として、効率よくステーションに収束する一階法は、これらのタスクに対して効率的なアルゴリズムを導出する。
論文 参考訳（メタデータ） (2021-09-23T17:38:24Z) - Robust Topology Optimization Using Multi-Fidelity Variational Autoencoders [1.0124625066746595]
強靭なトポロジー最適化(RTO)問題は、最高の平均性能を持つ設計を特定する。
計算効率を向上するニューラルネットワーク手法を提案する。
本手法の数値解析は,Lブラケット構造のロバスト設計における単一点負荷と複数点負荷について述べる。
論文 参考訳（メタデータ） (2021-07-19T20:40:51Z) - Stochastic Learning Approach to Binary Optimization for Optimal Design
of Experiments [0.0]
本稿では,偏微分方程式などの数学モデルによるベイズ逆問題に対する最適実験設計 (OED) のための二項最適化への新しいアプローチを提案する。
OEDユーティリティ関数、すなわち正規化された最適性勾配はベルヌーイ分布に対する期待の形で目的関数にキャストされる。
この目的を確率的最適化ルーチンを用いて最適な観測方針を求めることで解決する。
論文 参考訳（メタデータ） (2021-01-15T03:54:12Z) - An AI-Assisted Design Method for Topology Optimization Without
Pre-Optimized Training Data [68.8204255655161]
トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。
設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
論文 参考訳（メタデータ） (2020-12-11T14:33:27Z)
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。