論文の概要: Entropy-based adaptive design for contour finding and estimating reliability

• arxiv url: http://arxiv.org/abs/2105.11357v1
• Date: Mon, 24 May 2021 15:41:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 15:02:21.619360
• Title: Entropy-based adaptive design for contour finding and estimating reliability
• Title（参考訳）: 輪郭探索と信頼性推定のためのエントロピーに基づく適応設計
• Authors: D. Austin Cole, Robert B. Gramacy, James E. Warner, Geoffrey F. Bomarito, Patrick E. Leser, William P. Leser
• Abstract要約: 信頼性解析において、故障確率を推定するために用いられる手法は、しばしばモデル評価に関連するコストによって制限される。 本稿では,MFISと組み合わせることで,より正確な故障確率推定を行うエントロピーに基づくGP適応設計を提案する。 ベンチマークデータに加え、NASA(NASA)宇宙服の衝撃損傷シミュレーターへの応用例も紹介されている。
• 参考スコア（独自算出の注目度）: 0.24466725954625884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In reliability analysis, methods used to estimate failure probability are often limited by the costs associated with model evaluations. Many of these methods, such as multifidelity importance sampling (MFIS), rely upon a computationally efficient, surrogate model like a Gaussian process (GP) to quickly generate predictions. The quality of the GP fit, particularly in the vicinity of the failure region(s), is instrumental in supplying accurately predicted failures for such strategies. We introduce an entropy-based GP adaptive design that, when paired with MFIS, provides more accurate failure probability estimates and with higher confidence. We show that our greedy data acquisition strategy better identifies multiple failure regions compared to existing contour-finding schemes. We then extend the method to batch selection, without sacrificing accuracy. Illustrative examples are provided on benchmark data as well as an application to an impact damage simulator for National Aeronautics and Space Administration (NASA) spacesuits.
• Abstract（参考訳）: 信頼性分析において、故障確率を推定する手法は、しばしばモデル評価に関連するコストによって制限される。 MFIS(Multifidelity importance sample)のようなこれらの手法の多くは、予測を迅速に生成するためにガウス過程(GP)のような計算効率のよい代理モデルに依存している。 GP適合の質、特に障害領域近傍では、これらの戦略に対して正確に予測された障害を供給するのに役立っている。 我々は,mfisと組み合わせることで,より正確な故障確率推定と高い信頼度を提供するエントロピーに基づくgp適応設計を提案する。 我々は,既存の輪郭探索方式と比較して,複数の障害領域を識別する戦略が優れていることを示す。 そして、精度を犠牲にすることなく、メソッドをバッチ選択に拡張します。 例としては、ベンチマークデータや、アメリカ航空宇宙局(nasa)の宇宙服の衝撃損傷シミュレータへの応用がある。

関連論文リスト

• Stratified Prediction-Powered Inference for Hybrid Language Model Evaluation [62.2436697657307]
  予測駆動推論(英: Prediction-powered Inference, PPI)は、人間ラベル付き限られたデータに基づいて統計的推定を改善する手法である。 我々はStratPPI(Stratified Prediction-Powered Inference)という手法を提案する。 単純なデータ階層化戦略を用いることで,基礎的なPPI推定精度を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-06-06T17:37:39Z)
• Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
  本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。 提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
  論文  参考訳（メタデータ） (2022-03-09T01:55:59Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• GANISP: a GAN-assisted Importance SPlitting Probability Estimator [0.0]
  提案したGANISP(GANISP)は,対象とするシステムの分散化を改善する。 メソッドの実装は、コンパニオンリポジトリで利用可能である。
  論文  参考訳（メタデータ） (2021-12-28T17:13:37Z)
• 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)
• Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
  有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。 本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。 アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
  論文  参考訳（メタデータ） (2021-04-08T08:50:44Z)
• 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)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)
• REAK: Reliability analysis through Error rate-based Adaptive Kriging [2.066555810789929]
  本稿では、誤り率に基づく適応クリギング(REAK)による信頼性解析を提案する。 ここではリンデベルク条件に基づく中央極限定理の拡張を用いて、間違った符号推定を持つ設計サンプルの分布を導出する。 その結果,REAKは最先端手法と比較して計算要求を最大50%削減できることがわかった。
  論文  参考訳（メタデータ） (2020-02-04T03:47:20Z)

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。