論文の概要: Fixed Inducing Points Online Bayesian Calibration for Computer Models
with an Application to a Scale-Resolving CFD Simulation
- arxiv url: http://arxiv.org/abs/2009.07184v1
- Date: Tue, 15 Sep 2020 15:48:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 06:53:07.174951
- Title: Fixed Inducing Points Online Bayesian Calibration for Computer Models
with an Application to a Scale-Resolving CFD Simulation
- Title（参考訳）: 計算機モデルに対するオンラインベイズ校正の固定誘導点とスケール分解cfdシミュレーションへの応用
- Authors: Yu Duan, Matthew Eaton, and Michael Bluck
- Abstract要約: 提案したFIPO-BCアルゴリズムは計算効率を大幅に改善し,オンラインキャリブレーションを可能にする。
FIPO-BCのオンライン機能は、キャリブレーション出力の継続的な更新を可能にし、データベース生成時のワークロードを削減する可能性がある。
- 参考スコア（独自算出の注目度）: 2.0318411357438086
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes a novel fixed inducing points online Bayesian calibration
(FIPO-BC) algorithm to efficiently learn the model parameters using a benchmark
database. The standard Bayesian calibration (STD-BC) algorithm provides a
statistical method to calibrate the parameters of computationally expensive
models. However, the STD-BC algorithm scales very badly with the number of data
points and lacks online learning capability. The proposed FIPO-BC algorithm
greatly improves the computational efficiency and enables the online
calibration by executing the calibration on a set of predefined inducing
points.
To demonstrate the procedure of the FIPO-BC algorithm, two tests are
performed, finding the optimal value and exploring the posterior distribution
of 1) the parameter in a simple function, and 2) the high-wave number damping
factor in a scale-resolving turbulence model (SAS-SST). The results (such as
the calibrated model parameter and its posterior distribution) of FIPO-BC with
different inducing points are compared to those of STD-BC. It is found that
FIPO-BC and STD-BC can provide very similar results, once the predefined set of
inducing point in FIPO-BC is sufficiently fine. But, the FIPO-BC algorithm is
at least ten times faster than the STD-BC algorithm. Meanwhile, the online
feature of the FIPO-BC allows continuous updating of the calibration outputs
and potentially reduces the workload on generating the database.
- Abstract（参考訳）: 本稿では,ベンチマークデータベースを用いてモデルパラメータを効率的に学習するオンラインベイズ校正(FIPO-BC)アルゴリズムを提案する。
標準的なベイズ校正(STD-BC)アルゴリズムは、計算に高価なモデルのパラメータを校正する統計手法を提供する。
しかし、STD-BCアルゴリズムはデータポイントの数で非常にスケールが悪く、オンライン学習能力に欠ける。
提案したFIPO-BCアルゴリズムは計算効率を大幅に改善し、予め定義された誘導点のセットで校正を行うことでオンライン校正を可能にする。
FIPO-BCアルゴリズムの手順を実証するため,最適値の探索と後部分布の探索という2つの試験を行った。
1) 簡単な関数のパラメータ、及び
2) スケール分解乱流モデルにおける高波数減衰係数(sas-sst)
誘導点が異なるFIPO-BCの結果(校正モデルパラメータとその後部分布など)をSTD-BCの結果と比較した。
FIPO-BC と STD-BC は、FIPO-BC における誘導点のセットが十分に良ければ、非常によく似た結果が得られる。
しかし、FIPO-BCアルゴリズムはSTD-BCアルゴリズムの少なくとも10倍高速である。
一方、fipo-bcのオンライン機能は、キャリブレーション出力の継続的な更新を可能にし、データベース生成時のワークロードを削減できる。
関連論文リスト
- Hyperparameter Estimation for Sparse Bayesian Learning Models [1.0172874946490507]
Aparse Bayesian Learning (SBL) モデルは、信号処理や機械学習において、階層的な事前処理による疎結合を促進するために広く使われている。
本稿では,種々の目的関数に対するSBLモデルの改良のためのフレームワークを提案する。
信号雑音比において, 高い効率性を示す新しいアルゴリズムが導入された。
論文 参考訳（メタデータ） (2024-01-04T21:24:01Z) - LABCAT: Locally adaptive Bayesian optimization using principal
component-aligned trust regions [0.0]
主成分整列回転と適応的再スケーリング戦略を付加することにより,信頼領域ベースのBOを拡張するABCATアルゴリズムを提案する。
このアルゴリズムは、最先端のBOや他のブラックボックス最適化アルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-11-19T13:56:24Z) - Adaptive operator learning for infinite-dimensional Bayesian inverse
problems [8.672948020721945]
本研究では,局所的に精度の高いサロゲートを強制することによって,モデリングエラーを段階的に低減できる適応型演算子学習フレームワークを開発した。
UKIフレームワークを用いて線形の場合において厳密な収束を保証する。
その結果,逆精度を維持しながら計算コストを大幅に削減できることがわかった。
論文 参考訳（メタデータ） (2023-10-27T01:50:33Z) - Provably Efficient UCB-type Algorithms For Learning Predictive State
Representations [55.00359893021461]
逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である
本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。
PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
論文 参考訳（メタデータ） (2023-07-01T18:35:21Z) - Large-scale Bayesian Structure Learning for Gaussian Graphical Models
using Marginal Pseudo-likelihood [0.28675177318965045]
我々は,マルコフ連鎖モンテカルロ(MCMC)探索アルゴリズムを2種類導入し,ベイズ的手法よりも計算コストが大幅に低いことを示した。
これらのアルゴリズムは、1000変数の大規模問題であっても、標準コンピュータ上でわずか数分で信頼性の高い結果を提供できる。
シミュレーション研究は,提案アルゴリズム,特に大規模スパースグラフにおいて,計算効率と精度の点でベイズ的手法より優れていることを示す。
論文 参考訳（メタデータ） (2023-06-30T20:37:40Z) - Low-rank extended Kalman filtering for online learning of neural
networks from streaming data [71.97861600347959]
非定常データストリームから非線形関数のパラメータを推定するための効率的なオンライン近似ベイズ推定アルゴリズムを提案する。
この方法は拡張カルマンフィルタ (EKF) に基づいているが、新しい低ランク+斜角行列分解法を用いている。
変分推論に基づく手法とは対照的に,本手法は完全に決定論的であり,ステップサイズチューニングを必要としない。
論文 参考訳（メタデータ） (2023-05-31T03:48:49Z) - Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。
また、局所的な一貫性の結果に基づいた理論的保証も提供する。
この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
論文 参考訳（メタデータ） (2022-11-17T15:48:06Z) - 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) - Modular Conformal Calibration [80.33410096908872]
回帰における再校正のためのアルゴリズムを多種多様なクラスで導入する。
このフレームワークは、任意の回帰モデルをキャリブレーションされた確率モデルに変換することを可能にする。
我々は17の回帰データセットに対するMCCの実証的研究を行った。
論文 参考訳（メタデータ） (2022-06-23T03:25:23Z) - MBCT: Tree-Based Feature-Aware Binning for Individual Uncertainty
Calibration [29.780204566046503]
我々はMultiple Boosting Trees (MBCT)と呼ばれる特徴認識型バイナリフレームワークを提案する。
MBCTは非単調であり,学習可能なビンニング方式と個々のキャリブレーションにより,順序精度が向上する可能性がある。
その結果,本手法はキャリブレーション誤差と順序精度の両方で競合するモデルよりも優れていることがわかった。
論文 参考訳（メタデータ） (2022-02-09T08:59:16Z) - Calibration of Neural Networks using Splines [51.42640515410253]
キャリブレーション誤差の測定は、2つの経験的分布を比較します。
古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。
提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
論文 参考訳（メタデータ） (2020-06-23T07:18:05Z)
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。