論文の概要: Active Learning with Multifidelity Modeling for Efficient Rare Event
Simulation
- arxiv url: http://arxiv.org/abs/2106.13790v1
- Date: Fri, 25 Jun 2021 17:44:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-28 13:12:25.182854
- Title: Active Learning with Multifidelity Modeling for Efficient Rare Event
Simulation
- Title（参考訳）: 効率的なレアイベントシミュレーションのためのマルチフィデリティモデリングによるアクティブラーニング
- Authors: S. L. N. Dhulipala, M. D. Shields, B. W. Spencer, C. Bolisetti, A. E.
Slaughter, V. M. Laboure, P. Chakroborty
- Abstract要約: 希少事象の効率的に推定することを強調する多忠実度モデリングを用いた能動的学習フレームワークを提案する。
我々のフレームワークは、低忠実度(LF)予測をHF推論補正と融合させ、修正されたLF予測をフィルタリングして、高忠実度モデルを呼び出すかどうかを決定する。
障害確率を小さくする際のロバスト性を改善するため,HFモデルをいつ呼び出すかを決定する動的能動学習関数を提案する。
- 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: While multifidelity modeling provides a cost-effective way to conduct
uncertainty quantification with computationally expensive models, much greater
efficiency can be achieved by adaptively deciding the number of required
high-fidelity (HF) simulations, depending on the type and complexity of the
problem and the desired accuracy in the results. We propose a framework for
active learning with multifidelity modeling emphasizing the efficient
estimation of rare events. Our framework works by fusing a low-fidelity (LF)
prediction with an HF-inferred correction, filtering the corrected LF
prediction to decide whether to call the high-fidelity model, and for enhanced
subsequent accuracy, adapting the correction for the LF prediction after every
HF model call. The framework does not make any assumptions as to the LF model
type or its correlations with the HF model. In addition, for improved
robustness when estimating smaller failure probabilities, we propose using
dynamic active learning functions that decide when to call the HF model. We
demonstrate our framework using several academic case studies and two finite
element (FE) model case studies: estimating Navier-Stokes velocities using the
Stokes approximation and estimating stresses in a transversely isotropic model
subjected to displacements via a coarsely meshed isotropic model. Across these
case studies, not only did the proposed framework estimate the failure
probabilities accurately, but compared with either Monte Carlo or a standard
variance reduction method, it also required only a small fraction of the calls
to the HF model.
- Abstract（参考訳）: マルチフィデリティモデリングは、計算コストの高いモデルで不確実性定量化を行うためのコスト効率の高い方法を提供するが、問題の種類や複雑性、結果の所望の精度に応じて、必要なハイフィデリティ(hf)シミュレーションの数を適応的に決定することで、より効率が向上する。
希少事象の効率的に推定することを強調する多要素モデルを用いた能動的学習フレームワークを提案する。
提案手法は,hf推定された補正を用いて低忠実度(lf)予測を融合し,修正されたlf予測をフィルタリングして高忠実度モデルを呼び出すか否かを判断し,hfモデル呼び出し毎にlf予測の補正を適応させる。
このフレームワークは、LFモデルタイプやHFモデルとの相関について、いかなる仮定もしていない。
さらに,障害確率を小さく見積もる場合のロバスト性向上のために,HFモデルをいつ呼び出すかを決定する動的能動学習関数を提案する。
我々は,いくつかの学術ケーススタディと2つの有限要素モデルケーススタディを用いて,Stokes近似を用いたNavier-Stokes velocitiesの推定と,粗いメッシュ化等方性モデルを用いた横方向等方性モデルによる応力推定を行う。
これらのケーススタディを通じて,提案手法は故障確率を正確に推定するだけでなく,モンテカルロ法や標準分散還元法と比較して,hfモデルへのコールのごく一部しか必要としなかった。
関連論文リスト
- Embedded Nonlocal Operator Regression (ENOR): Quantifying model error in learning nonlocal operators [8.585650361148558]
本研究では,非局所的同化代理モデルとその構造モデル誤差を学習するための新しい枠組みを提案する。
このフレームワークは、長期シミュレーションにおける均質化材料応答予測のための離散性適応不確実性定量化を提供する。
論文 参考訳（メタデータ） (2024-10-27T04:17:27Z) - Selective Learning: Towards Robust Calibration with Dynamic Regularization [79.92633587914659]
ディープラーニングにおけるミススキャリブレーションとは、予測された信頼とパフォーマンスの間には相違がある、という意味である。
トレーニング中に何を学ぶべきかを学ぶことを目的とした動的正規化(DReg)を導入し、信頼度調整のトレードオフを回避する。
論文 参考訳（メタデータ） (2024-02-13T11:25:20Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳（メタデータ） (2023-11-13T01:48:08Z) - High Precision Causal Model Evaluation with Conditional Randomization [10.23470075454725]
因果誤差を推定するための新しい低分散推定器(ペア推定器)を提案する。
モデルと真の実験効果の両方に同じIPW推定器を適用することにより、IPWによる分散を効果的にキャンセルし、より小さな分散を実現する。
提案手法は,IPW推定器自体の複雑な変更を伴わずに,条件付きランダム化設定における因果推論モデルを評価するための,単純かつ強力な解を提供する。
論文 参考訳（メタデータ） (2023-11-03T13:22:27Z) - General multi-fidelity surrogate models: Framework and active learning
strategies for efficient rare event simulation [1.708673732699217]
複雑な現実世界のシステムの失敗の確率を推定することは、しばしば違法に高価である。
本稿では,頑健な多要素代理モデリング戦略を提案する。
高忠実度モデル呼び出しの数を劇的に削減しながら、非常に正確であることが示されている。
論文 参考訳（メタデータ） (2022-12-07T00:03:21Z) - 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) - Reliability Estimation of an Advanced Nuclear Fuel using Coupled Active
Learning, Multifidelity Modeling, and Subset Simulation [2.0120272257480116]
三相等方性(TRISO)被覆粒子燃料は堅牢な核燃料であり、その信頼性は先進的な核技術の成功に不可欠である。
複数の1次元および2次元モデルを用いて, TRISO燃料の故障確率を推定するために, アクティブラーニング, 多要素モデル, サブセットシミュレーションを併用した。
論文 参考訳（メタデータ） (2022-01-06T18:35:56Z) - Adaptive Reliability Analysis for Multi-fidelity Models using a
Collective Learning Strategy [6.368679897630892]
本研究は,信頼性解析のための適応多忠実ガウス法(adaptive multi-fidelity Gaussian process for reliability analysis,AMGPRA)という新しい手法を提案する。
提案手法は,最先端の単相・多相の手法と比較して計算コストを削減し,類似あるいは高い精度を実現する。
AMGPRAのキーとなる応用は、複雑で高価な物理ベースの計算モデルを用いた高忠実度不安定性モデリングである。
論文 参考訳（メタデータ） (2021-09-21T14:42:58Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。
AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。
本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文 参考訳（メタデータ） (2020-10-24T07:01:24Z) - 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)
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。