論文の概要: Machine Learning based optimization for interval uncertainty propagation
with application to vibro-acoustic models
- arxiv url: http://arxiv.org/abs/2106.11215v1
- Date: Mon, 21 Jun 2021 15:57:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-22 15:05:40.843822
- Title: Machine Learning based optimization for interval uncertainty propagation
with application to vibro-acoustic models
- Title（参考訳）: 機械学習による区間不確かさ伝播の最適化とビブロ音響モデルへの応用
- Authors: Alice Cicirello and Filippo Giunta
- Abstract要約: 工学系の性能解析には2つの非侵入的不確実性伝播法が提案されている。
1つのアプローチは、応答変数の上と下の境界を別々に評価するために、2つの異なるトレーニングデータセットを反復的に構築する。
もう1つは反復的に単一のトレーニングデータセットを構築します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Two non-intrusive uncertainty propagation approaches are proposed for the
performance analysis of engineering systems described by expensive-to-evaluate
deterministic computer models with parameters defined as interval variables.
These approaches employ a machine learning based optimization strategy, the
so-called Bayesian optimization, for evaluating the upper and lower bounds of a
generic response variable over the set of possible responses obtained when each
interval variable varies independently over its range. The lack of knowledge
caused by not evaluating the response function for all the possible
combinations of the interval variables is accounted for by developing a
probabilistic description of the response variable itself by using a Gaussian
Process regression model. An iterative procedure is developed for selecting a
small number of simulations to be evaluated for updating this statistical model
by using well-established acquisition functions and to assess the response
bounds. In both approaches, an initial training dataset is defined. While one
approach builds iteratively two distinct training datasets for evaluating
separately the upper and lower bounds of the response variable, the other
builds iteratively a single training dataset. Consequently, the two approaches
will produce different bound estimates at each iteration. The upper and lower
bound responses are expressed as point estimates obtained from the mean
function of the posterior distribution. Moreover, a confidence interval on each
estimate is provided for effectively communicating to engineers when these
estimates are obtained for a combination of the interval variables for which no
deterministic simulation has been run. Finally, two metrics are proposed to
define conditions for assessing if the predicted bound estimates can be
considered satisfactory.
- Abstract（参考訳）: 2つの非侵入的不確実性伝播手法が,区間変数として定義されたパラメータを持つ高価な決定論的計算機モデルによって記述された工学系の性能解析のために提案される。
これらの手法は機械学習に基づく最適化戦略、いわゆるベイズ最適化を用いて、各間隔変数が範囲によって独立に異なるときに得られる可能な応答の集合に対して、ジェネリック応答変数の上下境界を評価する。
ガウス過程回帰モデルを用いて応答変数自体の確率論的記述を開発することにより、区間変数の全ての組み合わせに対する応答関数を評価できないことに起因する知識の欠如が説明される。
この統計モデルを更新するために, 確立された獲得関数を用いて少数のシミュレーションを選択し, 応答境界を評価する反復手順を開発した。
両方のアプローチで、初期トレーニングデータセットが定義される。
1つのアプローチは、応答変数の上下境界を別々に評価するために2つの異なるトレーニングデータセットを反復的に構築する一方で、もう1つは反復的に1つのトレーニングデータセットを構築する。
その結果、2つのアプローチは各イテレーションで異なる有界推定を生成する。
上と下の境界応答は、後部分布の平均関数から得られる点推定として表現される。
さらに、決定論的シミュレーションが実行されていない区間変数の組み合わせに対して、これらの推定値が得られると、各推定値に対する信頼区間がエンジニアと効果的に通信するために提供される。
最後に,予測された境界推定が満足できるものと考えられるかどうかを評価するための条件を定義するために,二つの指標が提案されている。
関連論文リスト
- Maximum a Posteriori Estimation for Linear Structural Dynamics Models Using Bayesian Optimization with Rational Polynomial Chaos Expansions [0.01578888899297715]
本稿では,MAP推定のための既存のスパースベイズ学習手法の拡張を提案する。
ベイズ最適化手法を導入し,実験設計を適応的に強化する。
疎性誘導学習と実験設計を組み合わせることで,モデル評価の回数を効果的に削減する。
論文 参考訳（メタデータ） (2024-08-07T06:11:37Z) - Mitigating LLM Hallucinations via Conformal Abstention [70.83870602967625]
我々は,大言語モデルが一般ドメインでの応答をいつ無視すべきかを決定するための,原則化された手順を開発する。
我々は、幻覚率(エラー率)の厳密な理論的保証の恩恵を受けるため、共形予測手法を活用して、禁忌手順を開発する。
実験によって得られた共形禁忌法は, 種々の閉書, オープンドメイン生成質問応答データセットに, 幻覚率を確実に拘束する。
論文 参考訳（メタデータ） (2024-04-04T11:32:03Z) - Likelihood-based inference and forecasting for trawl processes: a
stochastic optimization approach [0.0]
実数値トロール過程を推定するための第1の可能性に基づく手法を開発した。
本稿では,新しい決定的および確率的予測手法を提案する。
トロールプロセスの大規模なクラスに適合するために使用可能なPythonライブラリをリリースしています。
論文 参考訳（メタデータ） (2023-08-30T15:37:48Z) - 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) - Semi-Supervised Quantile Estimation: Robust and Efficient Inference in High Dimensional Settings [0.5735035463793009]
2つの利用可能なデータセットを特徴とする半教師付き環境での量子推定を考察する。
本稿では,2つのデータセットに基づいて,応答量子化(s)に対する半教師付き推定器群を提案する。
論文 参考訳（メタデータ） (2022-01-25T10:02:23Z) - On the Use of Minimum Penalties in Statistical Learning [2.1320960069210475]
本稿では,多変量回帰モデルと結果変数の関係を同時に推定する枠組みを提案する。
現状技術手法を一般化する反復アルゴリズムを解法として提案する。
我々は、提案したMinPenフレームワークを他の指数関数的なファミリー損失関数に拡張し、複数の二項応答に特異的に焦点をあてる。
論文 参考訳（メタデータ） (2021-06-09T16:15:46Z) - Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。
提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
論文 参考訳（メタデータ） (2021-06-07T17:44:49Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳（メタデータ） (2021-06-03T12:59:16Z) - Nonparametric Score Estimators [49.42469547970041]
未知分布によって生成されたサンプルの集合からスコアを推定することは確率モデルの推論と学習における基本的なタスクである。
正規化非パラメトリック回帰の枠組みの下で、これらの推定器の統一的なビューを提供する。
カールフリーカーネルと高速収束による計算効果を享受する反復正規化に基づくスコア推定器を提案する。
論文 参考訳（メタデータ） (2020-05-20T15:01:03Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳（メタデータ） (2020-04-21T23:09:55Z) - Generalized Gumbel-Softmax Gradient Estimator for Various Discrete
Random Variables [16.643346012854156]
ノードの勾配を評価することは、深層生成モデリングコミュニティにおいて重要な研究課題の1つである。
本稿では,連続緩和を伴うGumbel-Softmax推定器の一般バージョンを提案する。
論文 参考訳（メタデータ） (2020-03-04T01:13:15Z)
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。