論文の概要: Surrogate assisted active subspace and active subspace assisted
surrogate -- A new paradigm for high dimensional structural reliability
analysis
- arxiv url: http://arxiv.org/abs/2105.04979v2
- Date: Wed, 12 May 2021 14:14:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-13 12:37:19.478652
- Title: Surrogate assisted active subspace and active subspace assisted
surrogate -- A new paradigm for high dimensional structural reliability
analysis
- Title(参考訳): サロゲート支援アクティブサブスペースとアクティブサブスペースアシストサロゲート-高次元構造信頼性解析のための新しいパラダイム
- Authors: Navaneeth N. and Souvik Chakraborty
- Abstract要約: 時間的自明で高価な評価に関連する問題を克服するための一般的なアプローチは、代理モデルの構築である。
本稿では,高次元信頼性解析問題を解くための枠組みを提案する。
- 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: Performing reliability analysis on complex systems is often computationally
expensive. In particular, when dealing with systems having high input
dimensionality, reliability estimation becomes a daunting task. A popular
approach to overcome the problem associated with time-consuming and expensive
evaluations is building a surrogate model. However, these computationally
efficient models often suffer from the curse of dimensionality. Hence, training
a surrogate model for high-dimensional problems is not straightforward.
Henceforth, this paper presents a framework for solving high-dimensional
reliability analysis problems. The basic premise is to train the surrogate
model on a low-dimensional manifold, discovered using the active subspace
algorithm. However, learning the low-dimensional manifold using active subspace
is non-trivial as it requires information on the gradient of the response
variable. To address this issue, we propose using sparse learning algorithms in
conjunction with the active subspace algorithm; the resulting algorithm is
referred to as the sparse active subspace (SAS) algorithm. We project the
high-dimensional inputs onto the identified low-dimensional manifold identified
using SAS. A high-fidelity surrogate model is used to map the inputs on the
low-dimensional manifolds to the output response. We illustrate the efficacy of
the proposed framework by using three benchmark reliability analysis problems
from the literature. The results obtained indicate the accuracy and efficiency
of the proposed approach compared to already established reliability analysis
methods in the literature.
- Abstract(参考訳): 複雑なシステムにおける信頼性解析は、しばしば計算コストがかかる。
特に,高入力次元のシステムを扱う場合,信頼性評価は大変な作業となる。
時間消費と高価な評価に関連する問題を克服するための一般的なアプローチは、代理モデルの構築である。
しかし、これらの計算効率の良いモデルはしばしば次元の呪いに苦しむ。
したがって、高次元問題に対する代理モデルのトレーニングは簡単ではない。
そこで本稿では,高次元信頼性解析問題を解くための枠組みを提案する。
基本前提は、活性部分空間アルゴリズムを用いて発見された低次元多様体上の代理モデルを訓練することである。
しかし、アクティブ部分空間を用いた低次元多様体の学習は、応答変数の勾配に関する情報を必要とするため、非自明である。
そこで本研究では,sparse active subspace (sas) アルゴリズムを用いて,sparse active subspace (sas) アルゴリズムを提案する。
SASを用いて同定された低次元多様体に高次元入力を投影する。
高忠実度サーロゲートモデルは、低次元多様体上の入力を出力応答にマッピングするために用いられる。
文献からの3つのベンチマーク信頼性解析問題を用いて,提案手法の有効性を示す。
その結果,既存の文献の信頼性解析手法と比較して,提案手法の精度と効率性が示唆された。
関連論文リスト
- Trajectory Volatility for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。
本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。
提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
論文 参考訳(メタデータ) (2024-05-22T22:22:25Z) - Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳(メタデータ) (2023-10-09T14:30:06Z) - A Metaheuristic for Amortized Search in High-Dimensional Parameter
Spaces [0.0]
本稿では,特徴インフォームド変換から次元還元を実現するメタヒューリスティックを提案する。
DR-FFITは、高次元空間における勾配自由パラメータ探索を容易にする効率的なサンプリング戦略を実装している。
実験データから,DR-FFITは,確立したメタヒューリスティックスに対するランダム検索とシミュレート・アニーリングの性能を向上させることが示された。
論文 参考訳(メタデータ) (2023-09-28T14:25:14Z) - Application of probabilistic modeling and automated machine learning
framework for high-dimensional stress field [1.073039474000799]
本稿では,入力のような高次元画像を高次元あるいはその重要な統計量の出力にマッピングするエンド・ツー・エンドのアプローチを提案する。
a) 高次元空間から低次元空間への入力と出力を減少または低次元空間へ、b)低次元空間における入力と出力の関係をモデル化し、c) マスクとしてドメイン固有の物理的制約を組み込むことを可能にした。
論文 参考訳(メタデータ) (2023-03-15T13:10:58Z) - On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。
まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
論文 参考訳(メタデータ) (2023-02-05T01:39:21Z) - Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。
また、局所的な一貫性の結果に基づいた理論的保証も提供する。
この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
論文 参考訳(メタデータ) (2022-11-17T15:48:06Z) - An Accelerated Doubly Stochastic Gradient Method with Faster Explicit
Model Identification [97.28167655721766]
本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。
まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
論文 参考訳(メタデータ) (2022-08-11T22:27:22Z) - A model aggregation approach for high-dimensional large-scale
optimization [2.1104930506758275]
本研究では,高次元大規模最適化問題を効率的に解くため,ベイズ最適化(MamBO)アルゴリズムにおけるモデル集約手法を提案する。
MamBOはサブサンプリングとサブスペース埋め込みを組み合わせることで、高次元と大規模問題に一括して対処する。
提案手法は,これらの低次元サロゲートモデルリスクを低減し,BOアルゴリズムのロバスト性を向上させる。
論文 参考訳(メタデータ) (2022-05-16T08:58:42Z) - Generalised Latent Assimilation in Heterogeneous Reduced Spaces with
Machine Learning Surrogate Models [10.410970649045943]
我々は,低次サロゲートモデルと新しいデータ同化手法を組み合わせたシステムを開発した。
一般化された潜在同化は、低次モデリングによって提供される効率とデータ同化の精度の両方の恩恵を受けることができる。
論文 参考訳(メタデータ) (2022-04-07T15:13:12Z) - Trace Ratio Optimization with an Application to Multi-view Learning [10.196148937138275]
Stiefel多様体上のトレース比最適化問題を検討する。
この問題の特別なケースは、フィッシャー線形判別分析、正準相関解析、および不均衡プロクリスト問題から生じている。
新たなフレームワークとそのインスタンス化コンクリートモデルを提案し,実証した。
論文 参考訳(メタデータ) (2021-01-12T04:38:09Z) - High Dimensional Level Set Estimation with Bayesian Neural Network [58.684954492439424]
本稿では,ベイズニューラルネットワークを用いた高次元レベル集合推定問題を解く新しい手法を提案する。
各問題に対して対応する理論情報に基づく取得関数を導出してデータポイントをサンプリングする。
合成データセットと実世界データセットの数値実験により,提案手法は既存手法よりも優れた結果が得られることが示された。
論文 参考訳(メタデータ) (2020-12-17T23:21:53Z)
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。