論文の概要: A Bayesian multiscale CNN framework to predict local stress fields in structures with microscale features

• arxiv url: http://arxiv.org/abs/2012.11330v2
• Date: Mon, 5 Apr 2021 15:59:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-02 07:12:49.378840
• Title: A Bayesian multiscale CNN framework to predict local stress fields in structures with microscale features
• Title（参考訳）: マイクロスケール構造における局所応力場予測のためのベイズ型多スケールcnnフレームワーク
• Authors: Vasilis Krokos, Viet Bui Xuan, St\'ephane P. A. Bordas, Philippe Young, Pierre Kerfriden
• Abstract要約: 我々は,未解決のマイクロスケール機能周辺の粗い応力予測に局所的きめの細かい応力補正を自動的に加えるようにcnnを訓練した。 予測の不確実性を評価するため, ベイズ的手法を用いて, 点推定ではなく, 高精度な応力場の信頼区間を配置する。 不確実性は、ネットワークのデータ要求を減らすために選択的学習フレームワークで使用される。
• 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: The purpose of this work is to train an Encoder-Decoder Convolutional Neural Networks (CNN) to automatically add local fine-scale stress corrections to coarse stress predictions around unresolved microscale features. We investigate to what extent such a framework provides reliable stress predictions inside and outside particular training sets. Incidentally, we aim to develop efficient offline data generation methods to maximise the domain of validity of the CNN predictions. To achieve these ambitious goals, we will deploy a Bayesian approach providing not point estimates, but credible intervals of the fine-scale stress field to evaluate the uncertainty of the predictions. This will automatically encompass the lack of knowledge due to unseen macro and micro features. The uncertainty will be used in a Selective Learning framework to reduce the data requirements of the network. In this work we will investigate stress prediction in 2D porous structures with randomly distributed circular holes.
• Abstract（参考訳）: この研究の目的は、エンコーダ・デコーダ畳み込みニューラルネットワーク(cnn)を訓練し、未解決のマイクロスケール特徴に関する粗い応力予測に局所的微小応力補正を自動的に追加することである。 このようなフレームワークが、特定のトレーニングセット内外の信頼性の高いストレス予測を提供する程度について検討する。 また,cnn予測の有効性の領域を最大化するために,効率的なオフラインデータ生成手法の開発を目指す。 これらの野心的な目標を達成するため、我々は、予測の不確実性を評価するために、点推定ではなく、微細な応力場の信頼できる間隔を提供するベイズ的アプローチを展開する。 これは、マクロ機能やマイクロ機能によって、知識の欠如を自動的に包含する。 不確実性は、ネットワークのデータ要求を減らすために選択的学習フレームワークで使用される。 本研究ではランダムな円孔を有する2次元多孔質構造の応力予測について検討する。

関連論文リスト

• Enhancing Reliability of Neural Networks at the Edge: Inverted Normalization with Stochastic Affine Transformations [0.22499166814992438]
  インメモリコンピューティングアーキテクチャに実装されたBayNNのロバスト性と推論精度を本質的に向上する手法を提案する。 実証的な結果は推論精度の優雅な低下を示し、最大で58.11%の値で改善された。
  論文  参考訳（メタデータ） (2024-01-23T00:27:31Z)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)
• UPNet: Uncertainty-based Picking Deep Learning Network for Robust First Break Picking [6.380128763476294]
  第一破砕(FB)ピッキングは地下速度モデルの決定において重要な側面である。 この処理を高速化するために、ディープニューラルネットワーク(DNN)が提案されている。 本稿では、FB選択タスクに不確実性定量化を導入し、UPNetと呼ばれる新しい不確実性に基づくディープラーニングネットワークを提案する。
  論文  参考訳（メタデータ） (2023-05-23T08:13:09Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Sketching Curvature for Efficient Out-of-Distribution Detection for Deep Neural Networks [32.629801680158685]
  Sketching Curvature of OoD Detection (SCOD)は、訓練されたディープニューラルネットワークにタスク関連不確実性推定を装備するためのアーキテクチャに依存しないフレームワークである。 SCODは,既存のベースラインと比較して計算負担の少ないOoD検出性能の同等あるいは優れたOoD検出性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2021-02-24T21:34:40Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Frequentist Uncertainty in Recurrent Neural Networks via Blockwise Influence Functions [121.10450359856242]
  リカレントニューラルネットワーク(RNN)は、シーケンシャルおよび時系列データのモデリングに有効である。 RNNにおける既存の不確実性定量化のアプローチは、主にベイズ法に基づいている。 a)モデルトレーニングに干渉せず、その精度を損なうことなく、(b)任意のRNNアーキテクチャに適用し、(c)推定不確かさ間隔に関する理論的カバレッジ保証を提供する。
  論文  参考訳（メタデータ） (2020-06-20T22:45:32Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。