論文の概要: Using Bayesian deep learning approaches for uncertainty-aware building
energy surrogate models
- arxiv url: http://arxiv.org/abs/2010.03029v1
- Date: Mon, 5 Oct 2020 15:04:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 20:57:20.252046
- Title: Using Bayesian deep learning approaches for uncertainty-aware building
energy surrogate models
- Title(参考訳): ベイズ型深層学習手法を用いた不確実性を考慮した建築エネルギーサロゲートモデル
- Authors: Paul Westermann and Ralph Evins
- Abstract要約: 機械学習シュロゲートモデルは、遅くて高忠実なエンジニアリングシミュレーションモデルをエミュレートするために訓練される。
ベイズパラダイムに従う深層学習モデルが存在する。
その結果, 高い不確実性を有する試料の10%を高忠実度モデルに転送した場合, 誤差を最大30%低減できることがわかった。
- 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: Fast machine learning-based surrogate models are trained to emulate slow,
high-fidelity engineering simulation models to accelerate engineering design
tasks. This introduces uncertainty as the surrogate is only an approximation of
the original model.
Bayesian methods can quantify that uncertainty, and deep learning models
exist that follow the Bayesian paradigm. These models, namely Bayesian neural
networks and Gaussian process models, enable us to give predictions together
with an estimate of the model's uncertainty. As a result we can derive
uncertainty-aware surrogate models that can automatically suspect unseen design
samples that cause large emulation errors. For these samples, the high-fidelity
model can be queried instead. This outlines how the Bayesian paradigm allows us
to hybridize fast, but approximate, and slow, but accurate models.
In this paper, we train two types of Bayesian models, dropout neural networks
and stochastic variational Gaussian Process models, to emulate a complex high
dimensional building energy performance simulation problem. The surrogate model
processes 35 building design parameters (inputs) to estimate 12 different
performance metrics (outputs). We benchmark both approaches, prove their
accuracy to be competitive, and show that errors can be reduced by up to 30%
when the 10% of samples with the highest uncertainty are transferred to the
high-fidelity model.
- Abstract(参考訳): 高速な機械学習ベースのサーロゲートモデルは、低速で高忠実なエンジニアリングシミュレーションモデルをエミュレートして、エンジニアリング設計タスクを加速するように訓練される。
これは、サーロゲートが元のモデルの近似であるから不確実性をもたらす。
ベイズ的手法は、ベイズ的パラダイムに従う不確実性や深層学習モデルが存在することを定量化することができる。
これらのモデル、すなわちベイズニューラルネットワークとガウス過程モデルにより、モデルの不確実性の推定とともに予測を行うことができる。
その結果、大きなエミュレーションエラーを引き起こす未発見の設計サンプルを自動的に疑う不確実性を認識したサロゲートモデルを得ることができる。
これらのサンプルでは、代わりに高忠実度モデルに問い合わせることができる。
これはベイズパラダイムがいかに速く、近似的で、遅く、正確なモデルをハイブリダイズできるかを概説する。
本稿では,2種類のベイズモデル(ドロップアウトニューラルネットワークと確率変分ガウス過程モデル)を訓練し,複雑な高次元建築エネルギー性能シミュレーション問題をエミュレートする。
代理モデルプロセス35は、12の異なるパフォーマンス指標(アウトプット)を推定するために設計パラメータ(インプット)を構築する。
両者のアプローチをベンチマークし、その精度が競争力があることを証明し、最も不確実性が高いサンプルの10%が高忠実度モデルに転送されると、エラーを最大30%削減できることを示した。
関連論文リスト
- General multi-fidelity surrogate models: Framework and active learning
strategies for efficient rare event simulation [1.708673732699217]
複雑な現実世界のシステムの失敗の確率を推定することは、しばしば違法に高価である。
本稿では,頑健な多要素代理モデリング戦略を提案する。
高忠実度モデル呼び出しの数を劇的に削減しながら、非常に正確であることが示されている。
論文 参考訳(メタデータ) (2022-12-07T00:03:21Z) - Bayesian score calibration for approximate models [0.0]
そこで本研究では, バイアスを低減し, より正確な不確実性定量化を実現するために, 近似後部サンプルを調整するための新しい手法を提案する。
我々のアプローチでは、(固定された)少数の複雑なモデルシミュレーションしか必要とせず、数値的に安定である。
論文 参考訳(メタデータ) (2022-11-10T06:00:58Z) - Robust DNN Surrogate Models with Uncertainty Quantification via
Adversarial Training [17.981250443856897]
代理モデルは、物理または生物学的プロセスの数学的シミュレーターをエミュレートするために使われてきた。
ディープニューラルネットワーク(DNN)サロゲートモデルは、ハード・ト・マッチエミュレーションの精度で人気を集めている。
本稿では,実証的研究と仮説テストを通じて,この問題の深刻度を示す。
論文 参考訳(メタデータ) (2022-11-10T05:09:39Z) - Hybrid Machine Learning Modeling of Engineering Systems -- A
Probabilistic Perspective Tested on a Multiphase Flow Modeling Case Study [0.0]
本稿では,第1原理モデルの処理条件のチューニングを可能にする,ハイブリッドモデリング機械学習フレームワークを提案する。
我々の手法は第一原理モデルパラメータの期待値を推定するだけでなく、これらの推定の不確実性を定量化する。
シミュレーションの結果, 得られたハイブリッドモデルの不確実性推定を用いて, より良い操作決定を行う方法が示された。
論文 参考訳(メタデータ) (2022-05-18T20:15:25Z) - Stochastic Parameterizations: Better Modelling of Temporal Correlations
using Probabilistic Machine Learning [1.5293427903448025]
確率的フレームワーク内で物理インフォームされたリカレントニューラルネットワークを用いることで,96大気シミュレーションのモデルが競合することを示す。
これは、標準の1次自己回帰スキームと比較して時間的相関をモデル化する能力が優れているためである。
文献から多くの指標を評価するとともに、将来的な気候モデルにおいて、確率論的尺度が統一的な選択である可能性についても論じる。
論文 参考訳(メタデータ) (2022-03-28T14:51:42Z) - Improving Non-autoregressive Generation with Mixup Training [51.61038444990301]
本稿では,事前学習したトランスモデルに基づく非自己回帰生成モデルを提案する。
我々はMIxソースと擬似ターゲットという,シンプルで効果的な反復訓練手法を提案する。
質問生成,要約,パラフレーズ生成を含む3つの世代ベンチマーク実験により,提案手法が新たな最先端結果を実現することを示す。
論文 参考訳(メタデータ) (2021-10-21T13:04:21Z) - MoEfication: Conditional Computation of Transformer Models for Efficient
Inference [66.56994436947441]
トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。
スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。
そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
論文 参考訳(メタデータ) (2021-10-05T02:14:38Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳(メタデータ) (2021-02-02T06:15:15Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳(メタデータ) (2020-10-05T20:03:13Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳(メタデータ) (2020-03-04T00:44:57Z)
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。