論文の概要: Uncertainty Bounds for Multivariate Machine Learning Predictions on High-Strain Brittle Fracture

• arxiv url: http://arxiv.org/abs/2012.15739v1
• Date: Wed, 23 Dec 2020 02:17:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 18:00:15.509781
• Title: Uncertainty Bounds for Multivariate Machine Learning Predictions on High-Strain Brittle Fracture
• Title（参考訳）: 高ひずみ脆性破壊における多変量機械学習予測の不確かさ境界
• Authors: Cristina Garcia-Cardona, M. Giselle Fern\'andez-Godino, Daniel O'Malley and Tanmoy Bhattacharya
• Abstract要約: 異種不確実性推定を、複数の出力マシンラーニングエミュレータにバインドする。 応答予測はやや保守的な不確実性の推定で頑健であることがわかった。
• 参考スコア（独自算出の注目度）: 1.784933900656067
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Simulation of the crack network evolution on high strain rate impact experiments performed in brittle materials is very compute-intensive. The cost increases even more if multiple simulations are needed to account for the randomness in crack length, location, and orientation, which is inherently found in real-world materials. Constructing a machine learning emulator can make the process faster by orders of magnitude. There has been little work, however, on assessing the error associated with their predictions. Estimating these errors is imperative for meaningful overall uncertainty quantification. In this work, we extend the heteroscedastic uncertainty estimates to bound a multiple output machine learning emulator. We find that the response prediction is robust with a somewhat conservative estimate of uncertainty.
• Abstract（参考訳）: 脆性材料を用いた高速衝撃実験における亀裂ネットワークの進展シミュレーションは非常に計算集約的である。 ひび割れの長さ、位置、方向のランダム性を考慮するために複数のシミュレーションが必要な場合、コストはさらに増大する。 機械学習エミュレータの構築は、プロセスを桁違いに高速化することができる。 しかし、その予測にかかわる誤差を評価する作業はほとんど行われていない。 これらの誤差を推定することは、全体的な不確かさの定量化に不可欠である。 本研究では,不確実性推定を多出力機械学習エミュレータに拡張する。 応答予測はやや保守的な不確実性の推定で堅牢であることがわかった。

関連論文リスト

• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Variance of ML-based software fault predictors: are we really improving fault prediction? [0.3222802562733786]
  我々は、最先端の故障予測手法のばらつきを実験的に分析する。 我々は,クラス毎の精度測定値において最大10.10%のばらつきを観測した。
  論文  参考訳（メタデータ） (2023-10-26T09:31:32Z)
• Computing large deviation prefactors of stochastic dynamical systems based on machine learning [4.474127100870242]
  弱い雑音の極限における力学系の希少事象の指数推定を特徴付ける大きな偏差理論を提案する。 我々は、ベクトル場の分解に基づいて、準ポテンシャル、最も確率の高い経路とプレファクタを計算するためのニューラルネットワークフレームワークを設計する。 数値実験は、弱いランダム変動によって引き起こされる稀な事象の内部メカニズムを探索する上で、その強力な機能を示す。
  論文  参考訳（メタデータ） (2023-06-20T09:59:45Z)
• Prediction-Powered Inference [68.97619568620709]
  予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。 このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。 予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
  論文  参考訳（メタデータ） (2023-01-23T18:59:28Z)
• ZigZag: Universal Sampling-free Uncertainty Estimation Through Two-Step Inference [54.17205151960878]
  汎用的でデプロイが容易なサンプリング不要のアプローチを導入します。 我々は,最先端手法と同等の信頼性のある不確実性推定を,計算コストを著しく低減した形で生成する。
  論文  参考訳（メタデータ） (2022-11-21T13:23:09Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Understanding the Under-Coverage Bias in Uncertainty Estimation [58.03725169462616]
  量子レグレッションは、現実の望ましいカバレッジレベルよりもアンファンダーカバー(enmphunder-cover)する傾向がある。 我々は、量子レグレッションが固有のアンダーカバーバイアスに悩まされていることを証明している。 我々の理論は、この過大被覆バイアスが特定の高次元パラメータ推定誤差に起因することを明らかにしている。
  論文  参考訳（メタデータ） (2021-06-10T06:11:55Z)
• Considering Decoherence Errors in the Simulation of Quantum Circuits Using Decision Diagrams [2.450250748409888]
  本稿では,デコヒーレンスエラーの考慮が,決定図に基づく手法のシミュレーション性能に与える影響について検討する。 実験により、これは誤りの単純な考慮に比べ、数桁の桁数の改善をもたらすことが確認された。
  論文  参考訳（メタデータ） (2020-12-10T12:29:24Z)
• Calibrated Reliable Regression using Maximum Mean Discrepancy [45.45024203912822]
  現代のディープニューラルネットワークは依然として信頼できない予測の不確実性を生んでいる。 本稿では、回帰タスクにおいて、よく校正された予測を得ることを懸念する。 非自明な実データセットに対する実験により,本手法は高い校正と鋭い予測間隔を生成できることが示された。
  論文  参考訳（メタデータ） (2020-06-18T03:38:12Z)
• Designing Accurate Emulators for Scientific Processes using Calibration-Driven Deep Models [33.935755695805724]
  Learn-by-Calibrating (LbC)は、科学応用においてエミュレータを設計するための新しいディープラーニングアプローチである。 また,LbCは広く適応された損失関数の選択に対して,一般化誤差を大幅に改善することを示した。 LbCは、小さなデータレギュレータでも高品質なエミュレータを実現し、さらに重要なことは、明確な事前条件なしで固有のノイズ構造を復元する。
  論文  参考訳（メタデータ） (2020-05-05T16:54:11Z)

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。