論文の概要: Design of Dynamic Experiments for Black-Box Model Discrimination

• arxiv url: http://arxiv.org/abs/2102.03782v1
• Date: Sun, 7 Feb 2021 11:34:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-09 15:20:59.605536
• Title: Design of Dynamic Experiments for Black-Box Model Discrimination
• Title（参考訳）: ブラックボックスモデル判別のための動的実験の設計
• Authors: Simon Olofsson and Eduardo S. Schultz and Adel Mhamdi and Alexander Mitsos and Marc Peter Deisenroth and Ruth Misener
• Abstract要約: 選択したいような動的モデル判別の設定を考えてみましょう。 (i) 最高のメカニスティックな時間変化モデルと (ii) 最高のモデルパラメータ推定値です。 勾配情報にアクセス可能な競合する力学モデルに対しては、既存の手法を拡張し、より広い範囲の問題の不確実性を組み込む。 これらのブラックボックスモデルをガウス過程サロゲートモデルに置き換えることで、モデル識別設定を拡張して、競合するブラックボックスモデルをさらに取り入れる。
• 参考スコア（独自算出の注目度）: 72.2414939419588
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Diverse domains of science and engineering require and use mechanistic mathematical models, e.g. systems of differential algebraic equations. Such models often contain uncertain parameters to be estimated from data. Consider a dynamic model discrimination setting where we wish to chose: (i) what is the best mechanistic, time-varying model and (ii) what are the best model parameter estimates. These tasks are often termed model discrimination/selection/validation/verification. Typically, several rival mechanistic models can explain data, so we incorporate available data and also run new experiments to gather more data. Design of dynamic experiments for model discrimination helps optimally collect data. For rival mechanistic models where we have access to gradient information, we extend existing methods to incorporate a wider range of problem uncertainty and show that our proposed approach is equivalent to historical approaches when limiting the types of considered uncertainty. We also consider rival mechanistic models as dynamic black boxes that we can evaluate, e.g. by running legacy code, but where gradient or other advanced information is unavailable. We replace these black-box models with Gaussian process surrogate models and thereby extend the model discrimination setting to additionally incorporate rival black-box model. We also explore the consequences of using Gaussian process surrogates to approximate gradient-based methods.
• Abstract（参考訳）: 科学と工学の様々な領域は、例えば力学の数学的モデルを必要とする。 微分代数方程式のシステム。 このようなモデルは、しばしばデータから推定される不確実なパラメータを含む。 選択したいような動的モデル判別の設定を考えてみましょう。 (i) 最高のメカニスティックな時間変化モデルと (ii) 最高のモデルパラメータ推定値です。 これらのタスクはしばしばモデル識別/選択/検証/検証と呼ばれます。 典型的には、複数の競合する力学モデルがデータを説明できるため、利用可能なデータを取り入れ、より多くのデータを集めるための新しい実験も実行します。 モデル判別のための動的実験の設計は、データを最適に収集するのに役立つ。 勾配情報にアクセスできる競合する力学モデルでは、既存の手法を拡張して幅広い問題不確実性を取り入れ、提案手法が不確実性を考慮した場合の歴史的アプローチと等価であることを示す。 また、競合する力学モデルについても、評価可能な動的ブラックボックスとみなす。 レガシコードを実行することで、グラデーションや他の高度な情報は利用できない。 これらのブラックボックスモデルをガウス過程サロゲートモデルに置き換え、モデル識別設定を拡張して、ライバルブラックボックスモデルも組み込む。 また、ガウス過程を近似勾配法に用いた結果についても検討する。

関連論文リスト

• Towards Learning Stochastic Population Models by Gradient Descent [0.0]
  パラメータと構造を同時に推定することで,最適化手法に大きな課題が生じることを示す。 モデルの正確な推定を実証するが、擬似的、解釈可能なモデルの推論を強制することは、難易度を劇的に高める。
  論文  参考訳（メタデータ） (2024-04-10T14:38:58Z)
• DREAM: Domain-free Reverse Engineering Attributes of Black-box Model [51.37041886352823]
  ブラックボックス対象モデルの属性をドメインに依存しないリバースエンジニアリングの新しい問題を提案する。 対象のブラックボックスモデルの属性を未知のトレーニングデータで推測するために,ドメインに依存しないモデルを学ぶ。
  論文  参考訳（メタデータ） (2023-07-20T16:25:58Z)
• Synthetic Model Combination: An Instance-wise Approach to Unsupervised Ensemble Learning [92.89846887298852]
  ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。 専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
  論文  参考訳（メタデータ） (2022-10-11T10:20:31Z)
• Interpreting Black-box Machine Learning Models for High Dimensional Datasets [40.09157165704895]
  我々は、高次元データセット上でブラックボックスモデルをトレーニングし、その分類が行われる埋め込みを学習する。 次に、トップk特徴空間上の解釈可能な代理モデルを用いてブラックボックスモデルの挙動を近似する。 我々のアプローチは、異なるデータセットでテストした場合、TabNetやXGboostのような最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2022-08-29T07:36:17Z)
• When is gray-box modeling advantageous for virtual flow metering? [0.0]
  仮想フロー計測アプリケーションにおける物理と機械学習の統合は、グレーボックスモデリングとして知られている。 本稿では、グレーボックスモデルが物理モデルやデータ駆動モデルより優れていると期待されるシナリオについて考察する。
  論文  参考訳（メタデータ） (2021-10-11T07:01:48Z)
• Training Structured Mechanical Models by Minimizing Discrete Euler-Lagrange Residual [36.52097893036073]
  structured mechanical models (smms) は、機械システムのデータ効率の良いブラックボックスパラメータ化である。 離散オイラーラグランジュ残差を最小化することにより,SMMをデータに適用する手法を提案する。 実験の結果,従来のSMMの適合方式よりも精度の高いモデルが得られた。
  論文  参考訳（メタデータ） (2021-05-05T00:44:01Z)
• Beyond Trivial Counterfactual Explanations with Diverse Valuable Explanations [64.85696493596821]
  コンピュータビジョンの応用において、生成的対実法はモデルの入力を摂動させて予測を変更する方法を示す。 本稿では,多様性強化損失を用いて制約される不連続潜在空間における摂動を学習する反事実法を提案する。 このモデルは, 従来の最先端手法と比較して, 高品質な説明を生産する成功率を向上させる。
  論文  参考訳（メタデータ） (2021-03-18T12:57:34Z)
• Distilling Interpretable Models into Human-Readable Code [71.11328360614479]
  人間可読性は機械学習モデル解釈可能性にとって重要で望ましい標準である。 従来の方法を用いて解釈可能なモデルを訓練し,それを簡潔で可読なコードに抽出する。 本稿では,幅広いユースケースで効率的に,確実に高品質な結果を生成する分別線形曲線フィッティングアルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2021-01-21T01:46:36Z)
• A Differentiable Newton Euler Algorithm for Multi-body Model Learning [34.558299591341]
  我々はニュートン・オイラー方程式を具現化した計算グラフアーキテクチャを動機付けている。 本稿では、制約のない物理的プラウジブルダイナミクスを実現するために使用される仮想パラメータについて述べる。 従来のホワイトボックスシステム同定手法で要求されるキネマティックパラメータは,データから正確に推定可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-19T19:30:33Z)
• VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
  モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。 LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。 本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
  論文  参考訳（メタデータ） (2020-07-15T07:07:07Z)

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。