論文の概要: Variance based sensitivity analysis for Monte Carlo and importance
sampling reliability assessment with Gaussian processes
- arxiv url: http://arxiv.org/abs/2011.15001v1
- Date: Mon, 30 Nov 2020 17:06:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-06 15:00:17.259392
- Title: Variance based sensitivity analysis for Monte Carlo and importance
sampling reliability assessment with Gaussian processes
- Title（参考訳）: モンテカルロの分散に基づく感度解析とガウス過程を用いた重要サンプリング信頼性評価
- Authors: Morgane Menz, Sylvain Dubreuil, J\'er\^ome Morio, Christian Gogu,
Nathalie Bartoli and Marie Chiron
- Abstract要約: 本稿では,2つの不確実性源に対する故障推定器の感度を定量的に評価する手法を提案する。
この分析により、故障確率推定に関連する全誤差を制御でき、推定の精度基準を提供する。
本手法は, モンテカルロ法と重要サンプリング法の両方で提案され, 希少事象確率の推定を改善することを目的としている。
- 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: Running a reliability analysis on engineering problems involving complex
numerical models can be computationally very expensive, requiring advanced
simulation methods to reduce the overall numerical cost. Gaussian process based
active learning methods for reliability analysis have emerged as a promising
way for reducing this computational cost. The learning phase of these methods
consists in building a Gaussian process surrogate model of the performance
function and using the uncertainty structure of the Gaussian process to enrich
iteratively this surrogate model. For that purpose a learning criterion has to
be defined. Then, the estimation of the probability of failure is typically
obtained by a classification of a population evaluated on the final surrogate
model. Hence, the estimator of the probability of failure holds two different
uncertainty sources related to the surrogate model approximation and to the
sampling based integration technique. In this paper, we propose a methodology
to quantify the sensitivity of the probability of failure estimator to both
uncertainty sources. This analysis also enables to control the whole error
associated to the failure probability estimate and thus provides an accuracy
criterion on the estimation. Thus, an active learning approach integrating this
analysis to reduce the main source of error and stopping when the global
variability is sufficiently low is introduced. The approach is proposed for
both a Monte Carlo based method as well as an importance sampling based method,
seeking to improve the estimation of rare event probabilities. Performance of
the proposed strategy is then assessed on several examples.
- Abstract（参考訳）: 複雑な数値モデルを含む工学的問題に対する信頼性解析の実行は、計算コストが非常に高く、全体的な数値コストを削減するために高度なシミュレーション手法を必要とする。
ガウス過程に基づく信頼度解析のための能動的学習手法が,この計算コストを削減するための有望な方法として登場した。
これらの手法の学習段階は、パフォーマンス関数のモデルにガウス過程サロゲートモデルを構築し、ガウス過程の不確かさ構造を用いて反復的にこのサロゲートモデルを強化することである。
この目的のために、学習基準を定義する必要があります。
次に, 最終サロゲートモデルを用いて評価した集団の分類により, 故障確率の推定を行う。
したがって、故障確率の推定者は、サロゲートモデル近似とサンプリングベース積分法に関連する2つの異なる不確実性源を持っている。
本稿では,両不確実性源に対する故障推定器の確率の感度を定量化する手法を提案する。
この分析により、故障確率推定に関連するエラー全体を制御することができ、推定の精度基準を提供する。
したがって、この分析を統合したアクティブな学習手法により、大域的変動性が十分に低い場合に、エラーや停止の主原因を低減できる。
本手法は, モンテカルロ法と重要サンプリング法の両方で提案され, 希少事象確率の推定を改善することを目的としている。
提案した戦略の性能はいくつかの例で評価される。
関連論文リスト
- A Probabilistic Perspective on Unlearning and Alignment for Large Language Models [48.96686419141881]
大規模言語モデル(LLM)における最初の形式的確率的評価フレームワークを紹介する。
モデルの出力分布に関する高い確率保証を持つ新しい指標を導出する。
私たちのメトリクスはアプリケーションに依存しないので、デプロイ前にモデル機能についてより信頼性の高い見積を行うことができます。
論文 参考訳（メタデータ） (2024-10-04T15:44:23Z) - Achieving Well-Informed Decision-Making in Drug Discovery: A Comprehensive Calibration Study using Neural Network-Based Structure-Activity Models [4.619907534483781]
薬物と標的の相互作用を予測する計算モデルは、新しい治療薬の開発を加速するための貴重なツールである。
しかし、そのようなモデルはキャリブレーションが不十分であり、信頼性の低い不確実性推定をもたらす。
本研究では,ポストホックキャリブレーション法と不確実な定量化手法を組み合わせることで,モデルの精度とキャリブレーションを向上できることを示す。
論文 参考訳（メタデータ） (2024-07-19T10:29:00Z) - On Uncertainty Calibration and Selective Generation in Probabilistic
Neural Summarization: A Benchmark Study [14.041071717005362]
要約のための最新のディープモデルは、優れたベンチマーク性能を得るが、誤校正された予測の不確実性を生成する傾向にある。
これは、低品質の予測に高い信頼性を割り当て、現実世界のアプリケーションにおける信頼性と信頼性を損なうことを意味する。
確率的深層学習法は誤校正問題の一般的な解法であるが, 複雑な自己回帰的要約タスクにおける相対的有効性はよく理解されていない。
論文 参考訳（メタデータ） (2023-04-17T23:06:28Z) - A Tale of Sampling and Estimation in Discounted Reinforcement Learning [50.43256303670011]
割引平均推定問題に対して最小値の最小値を求める。
マルコフ過程の割引されたカーネルから直接サンプリングすることで平均を推定すると、説得力のある統計的性質が得られることを示す。
論文 参考訳（メタデータ） (2023-04-11T09:13:17Z) - Rigorous Assessment of Model Inference Accuracy using Language
Cardinality [5.584832154027001]
我々は,統計的推定を決定論的精度尺度に置き換えることで,モデル精度評価におけるバイアスと不確実性を最小化する体系的アプローチを開発する。
我々は、最先端の推論ツールによって推定されるモデルの精度を評価することによって、我々のアプローチの一貫性と適用性を実験的に実証した。
論文 参考訳（メタデータ） (2022-11-29T21:03:26Z) - The Implicit Delta Method [61.36121543728134]
本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。
有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
論文 参考訳（メタデータ） (2022-11-11T19:34:17Z) - Reliability analysis of discrete-state performance functions via
adaptive sequential sampling with detection of failure surfaces [0.0]
本稿では,レアイベント確率推定のための新しい効率的でロバストな手法を提案する。
この手法は、複数の障害タイプの確率を推定することができる。
この情報に対応して、推定確率の精度を高めることができる。
論文 参考訳（メタデータ） (2022-08-04T05:59:25Z) - Rare event estimation using stochastic spectral embedding [0.0]
まれな障害事象の確率を推定することは、エンジニアリングシステムの信頼性評価において重要なステップである。
稀な事象推定問題を効率的に解くためにアルゴリズムを調整した一連の修正を提案する。
論文 参考訳（メタデータ） (2021-06-09T16:10:33Z) - Evaluating probabilistic classifiers: Reliability diagrams and score
decompositions revisited [68.8204255655161]
確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。
コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
論文 参考訳（メタデータ） (2020-08-07T08:22:26Z) - Instability, Computational Efficiency and Statistical Accuracy [101.32305022521024]
我々は,人口レベルでのアルゴリズムの決定論的収束率と,$n$サンプルに基づく経験的対象に適用した場合の(不安定性)の間の相互作用に基づいて,統計的精度を得るフレームワークを開発する。
本稿では,ガウス混合推定,非線形回帰モデル,情報的非応答モデルなど,いくつかの具体的なモデルに対する一般結果の応用について述べる。
論文 参考訳（メタデータ） (2020-05-22T22:30:52Z) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳（メタデータ） (2020-05-21T16:08:38Z)
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。