論文の概要: An Extended Multi-Model Regression Approach for Compressive Strength
Prediction and Optimization of a Concrete Mixture
- arxiv url: http://arxiv.org/abs/2106.07034v1
- Date: Sun, 13 Jun 2021 16:10:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-15 15:47:22.938008
- Title: An Extended Multi-Model Regression Approach for Compressive Strength
Prediction and Optimization of a Concrete Mixture
- Title（参考訳）: 複合コンクリートの圧縮強度予測と最適化のための拡張多モデル回帰法
- Authors: Seyed Arman Taghizadeh Motlagh (1), Mehran Naghizadehrokni (2) ((1)
Azad University, Central Tehran Branch (IAUCTB), (2) RWTH Aachen University,
Lehrstuhl fur Geotechnik im Bauwesen und Institut fur Geomechanik und
Untergrundtechnik)
- Abstract要約: コンクリートの圧縮強度のモデルに基づく評価は, 強度予測と混合最適化の両方のために高い値である。
複数の回帰手法の重み付け組み合わせにより予測モデルの精度を向上させるためのさらなる一歩を踏み出す。
得られた多回帰モデルに基づいてGAに基づく混合最適化を提案する。
- 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: Due to the significant delay and cost associated with experimental tests, a
model based evaluation of concrete compressive strength is of high value, both
for the purpose of strength prediction as well as the mixture optimization. In
this regard, several recent studies have employed state-of-the-art regression
models in order to achieve a good prediction model, employing available
experimental data sets. Nevertheless, while each of the employed models can
better adapt to a specific nature of the input data, the accuracy of each
individual model is limited due to the sensitivity to the choice of
hyperparameters and the learning strategy. In the present work, we take a
further step towards improving the accuracy of the prediction model via the
weighted combination of multiple regression methods. Moreover, a (GA)-based
multi-objective mixture optimization is proposed, building on the obtained
multi-regression model. In particular, we present a data aided framework where
the regression methods based on artificial neural network, random forest
regression, and polynomial regression are jointly implemented to predict the
compressive strength of concrete. The outcome of the individual regression
models are then combined via a linear weighting strategy and optimized over the
training data set as a quadratic convex optimization problem. It is worth
mentioning that due to the convexity of the formulated problem, the globally
optimum weighting strategy is obtained via standard numerical solvers.
Employing the proposed GA-based optimization, a Pareto front of the cost-CS
trade-of has been obtained employing the available data set. Moreover, the
resulting accuracy of the proposed multi-model prediction method is shown to
outperform the available single-model regression methods in the literature by a
valuable margin, via numerical simulations.
- Abstract（参考訳）: 実験試験に伴う大幅な遅れとコストのため, コンクリート圧縮強度のモデルベース評価は強度予測と混合最適化の両方のため, 高価値である。
この点に関して、利用可能な実験データセットを用いて、優れた予測モデルを達成するために、最先端の回帰モデルを用いた最近の研究がいくつかある。
それにもかかわらず、使用済みのモデルはそれぞれ、入力データの特定の性質にうまく適応できるが、ハイパーパラメータの選択に対する感度と学習戦略のため、個々のモデルの精度は限られている。
本研究では,複数の回帰法を組み合わせた重み付けによる予測モデルの精度向上に向けて,さらなる一歩を踏み出した。
さらに,得られたマルチ回帰モデルに基づいて,GAに基づく多目的混合最適化を提案する。
特に, 人工ニューラルネットワークに基づく回帰法, ランダム森林回帰法, 多項式回帰法を共同で実装し, コンクリートの圧縮強度を予測するデータ支援フレームワークを提案する。
個々の回帰モデルの結果は線形重み付け戦略によって結合され、2次凸最適化問題としてトレーニングデータセットに最適化される。
定式化問題の凸性のため、大域的最適重み付け戦略は標準数値解法によって得られることに留意すべきである。
提案するgaベースの最適化により、利用可能なデータセットを用いてコスト-csトレードオフのparetoフロントが得られた。
さらに,提案手法の精度は,数値シミュレーションにより,文献において利用可能な単一モデル回帰法よりも優れていることを示す。
関連論文リスト
- Ranking and Combining Latent Structured Predictive Scores without Labeled Data [2.5064967708371553]
本稿では,新しい教師なしアンサンブル学習モデル(SUEL)を提案する。
連続的な予測スコアを持つ予測器のセット間の依存関係を利用して、ラベル付きデータなしで予測器をランク付けし、それらをアンサンブルされたスコアに重み付けする。
提案手法の有効性は、シミュレーション研究とリスク遺伝子発見の現実的応用の両方を通じて厳密に評価されている。
論文 参考訳（メタデータ） (2024-08-14T20:14:42Z) - Analysing Multi-Task Regression via Random Matrix Theory with Application to Time Series Forecasting [16.640336442849282]
我々は,マルチタスク最適化問題を正規化手法として定式化し,マルチタスク学習情報を活用することを可能とする。
線形モデルの文脈におけるマルチタスク最適化のための閉形式解を導出する。
論文 参考訳（メタデータ） (2024-06-14T17:59:25Z) - Meta-Learning with Generalized Ridge Regression: High-dimensional Asymptotics, Optimality and Hyper-covariance Estimation [14.194212772887699]
本研究では,高次元ランダム効果線形モデルの枠組みにおけるメタラーニングについて考察する。
本研究では,データ次元がタスク毎のサンプル数に比例して大きくなる場合に,新しいテストタスクに対する予測リスクの正確な振る舞いを示す。
トレーニングタスクのデータに基づいて,逆回帰係数を推定する手法を提案し,解析する。
論文 参考訳（メタデータ） (2024-03-27T21:18:43Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳（メタデータ） (2023-09-02T01:27:53Z) - Errors-in-variables Fr\'echet Regression with Low-rank Covariate
Approximation [2.1756081703276]
Fr'echet回帰は、非ユークリッド応答変数を含む回帰分析のための有望なアプローチとして登場した。
提案手法は,大域的Fr'echet回帰と主成分回帰の概念を組み合わせて,回帰推定器の効率と精度を向上させることを目的とする。
論文 参考訳（メタデータ） (2023-05-16T08:37:54Z) - When to Update Your Model: Constrained Model-based Reinforcement
Learning [50.74369835934703]
モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。
続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。
さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
論文 参考訳（メタデータ） (2022-10-15T17:57:43Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳（メタデータ） (2022-09-16T19:15:50Z) - Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma
Distributions [91.63716984911278]
このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。
実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
論文 参考訳（メタデータ） (2021-11-11T14:28:12Z) - Neural Mixture Distributional Regression [0.9023847175654603]
フレキシブルな加法予測器によって定義される分布回帰の有限混合を推定する包括的枠組みを提案する。
我々のフレームワークは、高次元の設定において、潜在的に異なる分布の多くの混合を処理できる。
論文 参考訳（メタデータ） (2020-10-14T09:00:16Z) - Control as Hybrid Inference [62.997667081978825]
本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。
連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
論文 参考訳（メタデータ） (2020-07-11T19:44:09Z) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳（メタデータ） (2020-05-21T16:08:38Z)
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。