論文の概要: A study on using image based machine learning methods to develop the surrogate models of stamp forming simulations

• arxiv url: http://arxiv.org/abs/2010.03370v1
• Date: Wed, 30 Sep 2020 22:46:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 00:21:36.577875
• Title: A study on using image based machine learning methods to develop the surrogate models of stamp forming simulations
• Title（参考訳）: 画像に基づく機械学習手法を用いた切手成形シミュレーションのサロゲートモデルの開発に関する研究
• Authors: Haosu Zhou, Qingfeng Xu, Nan Li
• Abstract要約: 本稿では,画像ベース機械学習手法(IBMLM)を活用する。 The Res-SE-U-Net IBMLM surrogate model was developed and compared with a multi-layer perceptron (MLP) as a surrogate model。 IBMLMモデルは、精度、一般化性、堅牢性、情報性においてSBMLMモデルよりも有利であることを示す。
• 参考スコア（独自算出の注目度）: 3.264571107058741
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the design optimization of metal forming, it is increasingly significant to use surrogate models to analyse the finite element analysis (FEA) simulations. However, traditional surrogate models using scalar based machine learning methods (SBMLMs) fall in short of accuracy and generalizability. This is because SBMLMs fail to harness the location information of the simulations. To overcome these shortcomings, image based machine learning methods (IBMLMs) are leveraged in this paper. The underlying theory of location information, which supports the advantages of IBMLM, is qualitatively interpreted. Based on this theory, a Res-SE-U-Net IBMLM surrogate model is developed and compared with a multi-layer perceptron (MLP) as a referencing SBMLM surrogate model. It is demonstrated that the IBMLM model is advantageous over the MLP SBMLM model in accuracy, generalizability, robustness, and informativeness. This paper presents a promising methodology of leveraging IBMLMs in surrogate models to make maximum use of info from FEA results. Future prospective studies that inspired by this paper are also discussed.
• Abstract（参考訳）: 金属成形の設計最適化において、有限要素解析(FEA)シミュレーションの解析に代理モデルを用いることがますます重要になっている。 しかし、スカラーベース機械学習手法(SBMLM)を用いた従来のサロゲートモデルは、精度と一般化性に欠ける。 これはSBMLMがシミュレーションの位置情報を利用できないためである。 これらの欠点を克服するために,画像ベース機械学習手法(IBMLM)を応用した。 IBMLMの利点を支持する位置情報の基本的な理論は質的に解釈されている。 この理論に基づき、res-se-u-net ibmlmサーロゲートモデルを開発し、参照sbmlmサーロゲートモデルとして多層パーセプトロン(mlp)と比較した。 IBMLMモデルは, MLP SBMLMモデルよりも精度, 一般化性, 堅牢性, 情報性において有利であることを示す。 本稿では,IBMLMを代理モデルに活用し,FAA結果からの情報を最大限活用するための有望な手法を提案する。 本論文に触発された今後の展望研究についても述べる。

関連論文リスト

• A Fingerprint for Large Language Models [10.63985246068255]
  大規模言語モデル(LLM)のための新しいブラックボックスフィンガープリント手法を提案する。 実験結果から,提案手法はPEFT攻撃に対するオーナシップ検証とロバスト性において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-07-01T12:25:42Z)
• DALD: Improving Logits-based Detector without Logits from Black-box LLMs [56.234109491884126]
  大規模言語モデル(LLM)はテキスト生成に革命をもたらし、人間の文章を忠実に模倣する出力を生成する。 我々は、ブラックボックステキスト検出における最先端性能を再定義する革新的なフレームワークであるDLD(Dis Distribution-Aligned LLMs Detection)を提案する。 DALDは、サロゲートモデルの分布を未知の目標LLMの分布と整合させ、高速モデルの反復に対する検出能力とレジリエンスを向上するように設計されている。
  論文  参考訳（メタデータ） (2024-06-07T19:38:05Z)
• Mamo: a Mathematical Modeling Benchmark with Solvers [14.04286044600141]
  従来の結果指向評価を超越した新しいベンチマークであるMamoを紹介します。 最終的な解決策の正しさよりも、LCMが実行しているプロセスに焦点を合わせることで、Mamoは新たな評価パラダイムを開拓した。
  論文  参考訳（メタデータ） (2024-05-21T18:29:54Z)
• LLMs for XAI: Future Directions for Explaining Explanations [50.87311607612179]
  既存のXAIアルゴリズムを用いて計算した説明の精細化に着目する。 最初の実験とユーザスタディは、LLMがXAIの解釈可能性とユーザビリティを高めるための有望な方法を提供することを示唆している。
  論文  参考訳（メタデータ） (2024-05-09T19:17:47Z)
• Characterizing Truthfulness in Large Language Model Generations with Local Intrinsic Dimension [63.330262740414646]
  大規模言語モデル(LLM)から生成されたテキストの真偽を特徴付ける方法と予測法について検討する。 モデルアクティベーションの局所固有次元 (LID) を用いて, 内部アクティベーションを調査し, LLMの真偽を定量化する。
  論文  参考訳（メタデータ） (2024-02-28T04:56:21Z)
• Faithful Explanations of Black-box NLP Models Using LLM-generated Counterfactuals [67.64770842323966]
  NLPシステムの予測に関する因果的説明は、安全性を確保し、信頼を確立するために不可欠である。 既存の手法は、しばしばモデル予測を効果的または効率的に説明できない。 本稿では, 対物近似(CF)の2つの手法を提案する。
  論文  参考訳（メタデータ） (2023-10-01T07:31:04Z)
• Evaluating and Explaining Large Language Models for Code Using Syntactic Structures [74.93762031957883]
  本稿では,コード用大規模言語モデルに特有の説明可能性手法であるASTxplainerを紹介する。 その中核にあるASTxplainerは、トークン予測をASTノードに整合させる自動メソッドを提供する。 私たちは、最も人気のあるGitHubプロジェクトのキュレートデータセットを使用して、コード用の12の人気のあるLLMに対して、実証的な評価を行います。
  論文  参考訳（メタデータ） (2023-08-07T18:50:57Z)
• Using machine learning to correct model error in data assimilation and forecast applications [0.0]
  本稿では,既存の知識ベースモデルの誤りを訂正するために,この手法を提案する。 結果として得られるサロゲートモデルは、元の(知識ベース)モデルとMLモデルとのハイブリッドモデルである。 DAのハイブリッドサロゲートモデルを用いることで、元のモデルよりもはるかに優れた分析が得られる。
  論文  参考訳（メタデータ） (2020-10-23T18:30:45Z)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)
• Using Machine Learning to Emulate Agent-Based Simulations [0.0]
  エージェントベースモデル(ABM)解析に用いる統計エミュレータとして,複数の機械学習手法の性能評価を行った。 エージェントベースのモデリングは、モデルに対するより堅牢な感度解析を容易にするため、エミュレーションに機械学習を用いる利点がある。
  論文  参考訳（メタデータ） (2020-05-05T11:48:36Z)

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。