論文の概要: A generalized framework for active learning reliability: survey and
benchmark
- arxiv url: http://arxiv.org/abs/2106.01713v1
- Date: Thu, 3 Jun 2021 09:33:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-04 15:59:18.216025
- Title: A generalized framework for active learning reliability: survey and
benchmark
- Title(参考訳): アクティブラーニング信頼性のための一般化フレームワーク:調査とベンチマーク
- Authors: M. Moustapha, S. Marelli and B. Sudret
- Abstract要約: 本研究では,効果的な能動学習戦略を構築するためのモジュラーフレームワークを提案する。
信頼性ベンチマーク問題20の解決策として39の戦略を考案した。
- 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: Active learning methods have recently surged in the literature due to their
ability to solve complex structural reliability problems within an affordable
computational cost. These methods are designed by adaptively building an
inexpensive surrogate of the original limit-state function. Examples of such
surrogates include Gaussian process models which have been adopted in many
contributions, the most popular ones being the efficient global reliability
analysis (EGRA) and the active Kriging Monte Carlo simulation (AK-MCS), two
milestone contributions in the field. In this paper, we first conduct a survey
of the recent literature, showing that most of the proposed methods actually
span from modifying one or more aspects of the two aforementioned methods. We
then propose a generalized modular framework to build on-the-fly efficient
active learning strategies by combining the following four ingredients or
modules: surrogate model, reliability estimation algorithm, learning function
and stopping criterion. Using this framework, we devise 39 strategies for the
solution of 20 reliability benchmark problems. The results of this extensive
benchmark are analyzed under various criteria leading to a synthesized set of
recommendations for practitioners. These may be refined with a priori knowledge
about the feature of the problem to solve, i.e., dimensionality and magnitude
of the failure probability. This benchmark has eventually highlighted the
importance of using surrogates in conjunction with sophisticated reliability
estimation algorithms as a way to enhance the efficiency of the latter.
- Abstract(参考訳): 近年,安価な計算コストで複雑な構造的信頼性問題を解くために,能動的学習手法が普及している。
これらの方法は、元の極限状態関数の安価なサロゲートを適応的に構築することによって設計される。
そのようなサロゲートの例としては、多くのコントリビューションで採用されているガウス過程モデルがあり、最も一般的なものは、効率的なグローバル信頼性分析(EGRA)とアクティブなクリグ・モンテカルロシミュレーション(AK-MCS)である。
本稿では, 提案手法のほとんどが, 上記の2つの手法の1つ以上の側面の修正によるものであることを示すため, 最近の文献を調査した。
提案手法は,サロゲートモデル,信頼性推定アルゴリズム,学習関数,停止基準の4つの要素を組み合わせることで,オンザフライで効率的なアクティブラーニング戦略を構築するための汎用モジュラーフレームワークを提案する。
このフレームワークを用いて,20の信頼性ベンチマーク問題に対する39の戦略を考案する。
この広範なベンチマークの結果は様々な基準で分析され、実践者のための一連の推奨事項が合成された。
これらは、解決すべき問題の特質、すなわち、故障確率の次元と大きさに関する事前知識によって洗練することができる。
このベンチマークは最終的に、サロゲートを高度な信頼性推定アルゴリズムと組み合わせて、後者の効率を向上させることの重要性を強調した。
関連論文リスト
- SEGO: Sequential Subgoal Optimization for Mathematical Problem-Solving [64.38649623473626]
大規模言語モデル(LLM)は人工知能の大幅な進歩を導いた。
数学的問題を解く能力を高めるために,textbfSEquential subtextbfGoal textbfOptimization (SEGO) という新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-19T17:56:40Z) - GLUECons: A Generic Benchmark for Learning Under Constraints [102.78051169725455]
本研究では,自然言語処理とコンピュータビジョンの分野における9つのタスクの集合であるベンチマークを作成する。
外部知識を制約としてモデル化し、各タスクの制約のソースを特定し、これらの制約を使用するさまざまなモデルを実装します。
論文 参考訳(メタデータ) (2023-02-16T16:45:36Z) - Deep Active Ensemble Sampling For Image Classification [8.31483061185317]
アクティブラーニングフレームワークは、最も有益なデータポイントのラベル付けを積極的に要求することで、データアノテーションのコストを削減することを目的としている。
提案手法には、不確実性に基づく手法、幾何学的手法、不確実性に基づく手法と幾何学的手法の暗黙の組み合わせなどがある。
本稿では, サンプル選択戦略における効率的な探索・探索トレードオフを実現するために, 不確実性に基づくフレームワークと幾何学的フレームワークの両方の最近の進歩を革新的に統合する。
本フレームワークは,(1)正確な後続推定,(2)計算オーバーヘッドと高い精度のトレードオフの2つの利点を提供する。
論文 参考訳(メタデータ) (2022-10-11T20:20:20Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳(メタデータ) (2022-09-27T19:04:36Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - Variance based sensitivity analysis for Monte Carlo and importance
sampling reliability assessment with Gaussian processes [0.0]
本稿では,2つの不確実性源に対する故障推定器の感度を定量的に評価する手法を提案する。
この分析により、故障確率推定に関連する全誤差を制御でき、推定の精度基準を提供する。
本手法は, モンテカルロ法と重要サンプリング法の両方で提案され, 希少事象確率の推定を改善することを目的としている。
論文 参考訳(メタデータ) (2020-11-30T17:06:28Z) - Provable Multi-Objective Reinforcement Learning with Generative Models [98.19879408649848]
目的の選好から最適な政策を学習する単一政策 MORL の問題について検討する。
既存の方法は、多目的決定プロセスの正確な知識のような強い仮定を必要とする。
モデルベースエンベロップ値 (EVI) と呼ばれる新しいアルゴリズムを提案し, 包含された多目的$Q$学習アルゴリズムを一般化する。
論文 参考訳(メタデータ) (2020-11-19T22:35:31Z) - SAMBA: Safe Model-Based & Active Reinforcement Learning [59.01424351231993]
SAMBAは、確率論的モデリング、情報理論、統計学といった側面を組み合わせた安全な強化学習のためのフレームワークである。
我々は,低次元および高次元の状態表現を含む安全な力学系ベンチマークを用いて,アルゴリズムの評価を行った。
アクティブなメトリクスと安全性の制約を詳細に分析することで,フレームワークの有効性を直感的に評価する。
論文 参考訳(メタデータ) (2020-06-12T10:40:46Z) - Sparse Methods for Automatic Relevance Determination [0.0]
まず、自動妥当性決定(ARD)について検討し、スパースモデルを実現するために、追加の正規化やしきい値設定の必要性を解析的に実証する。
次に、正規化ベースとしきい値ベースという2つの手法のクラスについて論じる。
論文 参考訳(メタデータ) (2020-05-18T14:08:49Z) - Average Reward Adjusted Discounted Reinforcement Learning:
Near-Blackwell-Optimal Policies for Real-World Applications [0.0]
強化学習は、与えられたマルコフ決定プロセスの最適な定常ポリシーを見つけることを目的としている。
本稿では,広く適用されている標準割引強化学習フレームワークについて,理論的考察を行う。
我々はブラックウェル-最適強化学習アルゴリズムを新たに構築する。
論文 参考訳(メタデータ) (2020-04-02T08:05:18Z) - Learning High Order Feature Interactions with Fine Control Kernels [12.5433010409486]
我々は、全ての可能な乗法的相互作用を特徴とするスパース統計モデルを学習するための方法論を提供する。
また、Fenchel DualityをベースとしたアルゴリズムパラダイムであるFine Control Kernelフレームワークについても紹介する。
論文 参考訳(メタデータ) (2020-02-09T06:29:15Z)
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。