論文の概要: Context-aware surrogate modeling for balancing approximation and
sampling costs in multi-fidelity importance sampling and Bayesian inverse
problems
- arxiv url: http://arxiv.org/abs/2010.11708v2
- Date: Sun, 12 Sep 2021 16:44:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 06:15:23.476642
- Title: Context-aware surrogate modeling for balancing approximation and
sampling costs in multi-fidelity importance sampling and Bayesian inverse
problems
- Title(参考訳): 多元性重要度サンプリングとベイズ逆問題における近似とサンプリングコストのバランスをとるコンテキストアウェア・サロゲートモデル
- Authors: Terrence Alsup and Benjamin Peherstorfer
- Abstract要約: マルチファイダリティ法は、低コストのサロゲートモデルを利用して計算を高速化する。
代用モデルと高忠実度モデルが併用されるため、代用モデルによる貧弱な予測は、高忠実度モデルへの頻繁な関係で補うことができる。
この研究は、多重忠実度重要度サンプリングを考慮し、サロゲートモデルの忠実度を増大させることから理論的および計算的にトレードオフする。
- 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: Multi-fidelity methods leverage low-cost surrogate models to speed up
computations and make occasional recourse to expensive high-fidelity models to
establish accuracy guarantees. Because surrogate and high-fidelity models are
used together, poor predictions by surrogate models can be compensated with
frequent recourse to high-fidelity models. Thus, there is a trade-off between
investing computational resources to improve the accuracy of surrogate models
versus simply making more frequent recourse to expensive high-fidelity models;
however, this trade-off is ignored by traditional modeling methods that
construct surrogate models that are meant to replace high-fidelity models
rather than being used together with high-fidelity models. This work considers
multi-fidelity importance sampling and theoretically and computationally trades
off increasing the fidelity of surrogate models for constructing more accurate
biasing densities and the numbers of samples that are required from the
high-fidelity models to compensate poor biasing densities. Numerical examples
demonstrate that such context-aware surrogate models for multi-fidelity
importance sampling have lower fidelity than what typically is set as tolerance
in traditional model reduction, leading to runtime speedups of up to one order
of magnitude in the presented examples.
- Abstract(参考訳): マルチ忠実度法は低コストのサロゲートモデルを利用して計算を高速化し、時折高価な高忠実度モデルと対話して精度保証を確立する。
代用モデルと高忠実度モデルが併用されるため、代用モデルによる貧弱な予測は、高忠実度モデルへの頻繁な関係で補うことができる。
したがって、サロゲートモデルの精度を向上させるために計算資源に投資することと、より頻繁に高忠実度モデルに言及することとのトレードオフがあるが、このトレードオフは高忠実度モデルと併用されるのではなく、高忠実度モデルを置き換えることを意図したサロゲートモデルを構築する伝統的なモデリング手法によって無視される。
本研究は多元的重要度をサンプリングし,理論上および計算上,より正確な偏り密度と,偏り密度を補うために高忠実度モデルから要求されるサンプル数を構築するため,サロゲートモデルの忠実度を増大させる。
数値的な例では、複数の重み付けの重要度サンプリングのための文脈対応サロゲートモデルは、従来のモデル縮小の許容範囲として設定されているものよりも忠実度が低く、上述の例では最大1桁のランタイムスピードアップをもたらすことが示されている。
関連論文リスト
- Practical multi-fidelity machine learning: fusion of deterministic and Bayesian models [0.34592277400656235]
マルチフィデリティ機械学習手法は、少ないリソース集約型高フィデリティデータと、豊富なが精度の低い低フィデリティデータを統合する。
低次元領域と高次元領域にまたがる問題に対する実用的多面性戦略を提案する。
論文 参考訳(メタデータ) (2024-07-21T10:40:50Z) - Provable Statistical Rates for Consistency Diffusion Models [87.28777947976573]
最先端の性能にもかかわらず、拡散モデルは、多くのステップが伴うため、遅いサンプル生成で知られている。
本稿では, 整合性モデルに関する最初の統計理論に寄与し, 分散不整合最小化問題としてトレーニングを定式化している。
論文 参考訳(メタデータ) (2024-06-23T20:34:18Z) - Uncertainty-aware multi-fidelity surrogate modeling with noisy data [0.0]
実世界の応用では、測定や数値ノイズによる高忠実度モデルと低忠実度モデルの両方に不確実性が存在する。
本稿では,ノイズ汚染データを扱う多要素代理モデリングのための包括的フレームワークを提案する。
提案するフレームワークは,物理実験と計算モデルを組み合わせた自然なアプローチを提供する。
論文 参考訳(メタデータ) (2024-01-12T08:37:41Z) - 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) - Context-aware learning of hierarchies of low-fidelity models for
multi-fidelity uncertainty quantification [0.0]
多忠実モンテカルロ法は、分散還元のための低忠実度およびシュロゲートモデルを利用して、トラクタブル不確実性定量化を行う。
本研究は,低忠実度モデルのトレーニングコストとモンテカルロサンプリングコストとを最適にバランスさせる,文脈対応多忠実度モンテカルロ法を提案する。
論文 参考訳(メタデータ) (2022-11-20T01:12:51Z) - Investigating Ensemble Methods for Model Robustness Improvement of Text
Classifiers [66.36045164286854]
既存のバイアス機能を分析し、すべてのケースに最適なモデルが存在しないことを実証します。
適切なバイアスモデルを選択することで、より洗練されたモデル設計でベースラインよりもロバスト性が得られる。
論文 参考訳(メタデータ) (2022-10-28T17:52:10Z) - Multi-fidelity regression using artificial neural networks: efficient
approximation of parameter-dependent output quantities [0.17499351967216337]
本稿では,多元性回帰問題に対するニューラルネットワークの利用について述べる。
導入されたモデルは、従来のマルチファイアリティスキームと比較されます。
また、工学的問題に対するマルチファイダリグレッションの適用も示します。
論文 参考訳(メタデータ) (2021-02-26T11:29:00Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳(メタデータ) (2020-10-25T18:51:15Z) - On the model-based stochastic value gradient for continuous
reinforcement learning [50.085645237597056]
モデルベースエージェントは,サンプル効率と最終報酬の両方の観点から,最先端のモデルフリーエージェントより優れていることを示す。
以上の結果から,モデルに基づく政策評価がより注目に値することが示唆された。
論文 参考訳(メタデータ) (2020-08-28T17:58:29Z) - When Ensembling Smaller Models is More Efficient than Single Large
Models [52.38997176317532]
アンサンブルは高い精度で単一モデルより優れており、計算に要する総FLOPは少ない。
これは、アンサンブルの出力の多様性がより大きなモデルを訓練するよりも効率的であることを示す興味深い観察結果である。
論文 参考訳(メタデータ) (2020-05-01T18:56:18Z) - 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。