論文の概要: Mutual Information for Explainable Deep Learning of Multiscale Systems
- arxiv url: http://arxiv.org/abs/2009.04570v2
- Date: Wed, 19 May 2021 10:04:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-21 02:48:52.983076
- Title: Mutual Information for Explainable Deep Learning of Multiscale Systems
- Title（参考訳）: マルチスケールシステムの説明可能な深層学習のための相互情報
- Authors: S{\o}ren Taverniers and Eric J. Hall and Markos A. Katsoulakis and
Daniel M. Tartakovsky
- Abstract要約: 我々はモデルに依存しないモーメント非依存グローバル感度分析(GSA)を開発した。
GSAは、QoIに対するCVの影響をランク付けするために、異なる相互情報に依存している。
我々は,サロゲート駆動型相互情報GSAが,エネルギー貯蔵に関心のある2つの応用について,有用かつ識別可能なランキングを提供することを示した。
- 参考スコア（独自算出の注目度）: 1.1470070927586016
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Timely completion of design cycles for complex systems ranging from consumer
electronics to hypersonic vehicles relies on rapid simulation-based
prototyping. The latter typically involves high-dimensional spaces of possibly
correlated control variables (CVs) and quantities of interest (QoIs) with
non-Gaussian and possibly multimodal distributions. We develop a
model-agnostic, moment-independent global sensitivity analysis (GSA) that
relies on differential mutual information to rank the effects of CVs on QoIs.
The data requirements of this information-theoretic approach to GSA are met by
replacing computationally intensive components of the physics-based model with
a deep neural network surrogate. Subsequently, the GSA is used to explain the
network predictions, and the surrogate is deployed to close design loops.
Viewed as an uncertainty quantification method for interrogating the surrogate,
this framework is compatible with a wide variety of black-box models. We
demonstrate that the surrogate-driven mutual information GSA provides useful
and distinguishable rankings on two applications of interest in energy storage.
Consequently, our information-theoretic GSA provides an "outer loop" for
accelerated product design by identifying the most and least sensitive input
directions and performing subsequent optimization over appropriately reduced
parameter subspaces.
- Abstract（参考訳）: コンシューマエレクトロニクスから超音速車まで、複雑なシステムの設計サイクルのタイムリーな完了は、高速なシミュレーションベースのプロトタイピングに依存している。
後者は典型的には、相関制御変数 (CV) の高次元空間と、非ガウス分布および多様分布の興味量 (QoIs) を含む。
我々は,QoIに対するCVの影響をランク付けするために,差分相互情報に依存するモデルに依存しない,モーメント非依存なグローバル感度解析(GSA)を開発した。
この情報理論アプローチのGSAに対するデータ要求は、物理ベースのモデルの計算集約的なコンポーネントをディープニューラルネットワークサロゲートに置き換えることで満たされる。
その後、GSAはネットワーク予測を説明するために使用され、サロゲートは設計ループを閉じるためにデプロイされる。
このフレームワークはサロゲートを問う不確実な定量化手法として見なされ、多様なブラックボックスモデルと互換性がある。
サーロゲート駆動の相互情報gsaは,エネルギー貯蔵分野における2つの応用において有用かつ識別可能なランキングを提供する。
その結果、情報理論GSAは、最も感度の低い入力方向を識別し、パラメータ部分空間を適切に削減し、その後の最適化を行うことにより、製品設計を加速するための「外部ループ」を提供する。
関連論文リスト
- Synesthesia of Machines (SoM)-Enhanced ISAC Precoding for Vehicular Networks with Double Dynamics [15.847713094328286]
統合センシング・通信(ISAC)技術は車載ネットワークにおいて重要な役割を担っている。
ダブルダイナミクスは、リアルタイムISACプリコーディング設計において重要な課題を示す。
本稿では,機械(SoM)に強化されたプリコーディングパラダイムの合成を提案する。
論文 参考訳（メタデータ） (2024-08-24T10:35:10Z) - ADASR: An Adversarial Auto-Augmentation Framework for Hyperspectral and
Multispectral Data Fusion [54.668445421149364]
HSI(Deep Learning-based Hyperspectral Image)は、HSI(Hyperspectral Image)とMSI(Multispectral Image)を深層ニューラルネットワーク(DNN)に融合させることにより、高空間分解能HSI(HR-HSI)を生成することを目的としている。
本稿では, HSI-MSI 融合のためのデータ多様性を向上するために, HSI-MSI サンプルペアの自動最適化と拡張を行う新しい逆自動データ拡張フレームワーク ADASR を提案する。
論文 参考訳（メタデータ） (2023-10-11T07:30:37Z) - Multi-Point Integrated Sensing and Communication: Fusion Model and
Functionality Selection [99.67715229413986]
本稿では,複数のISACデバイスからの出力を融合させて高感度化を実現する多点ISAC(MPISAC)システムを提案する。
我々は,仮説テストと最適投票分析により,融合精度を予測する融合モデルを採用する。
論文 参考訳（メタデータ） (2022-08-16T08:09:54Z) - Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳（メタデータ） (2022-07-03T06:57:07Z) - A Graph Deep Learning Framework for High-Level Synthesis Design Space
Exploration [11.154086943903696]
High-Level Synthesisは、アプリケーション固有の高速プロトタイピングのためのソリューションである。
本稿では,加速性能とハードウェアコストを共同で予測するグラフニューラルネットワークHLSを提案する。
提案手法は,一般的なシミュレータと同等の精度で予測できることを示す。
論文 参考訳（メタデータ） (2021-11-29T18:17:45Z) - Autoregressive Hidden Markov Models with partial knowledge on latent
space applied to aero-engines prognostics [2.179313476241343]
本稿では,ARPHMM(Auto Regressive Partially-hidden Markov Model)を用いて,センサデータに基づく機器の故障検出と予後予測を行う。
健康指標に基づいて,このモデルを用いて残りの生活を推定する方法を示す。
論文 参考訳（メタデータ） (2021-05-01T10:23:22Z) - Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral
Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。
3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文 参考訳（メタデータ） (2020-07-10T08:08:20Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z) - Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。
MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。
本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
論文 参考訳（メタデータ） (2020-02-17T19:06:05Z)
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。