論文の概要: GAN-MDF: A Method for Multi-fidelity Data Fusion in Digital Twins
- arxiv url: http://arxiv.org/abs/2106.14655v1
- Date: Thu, 24 Jun 2021 06:40:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-29 17:57:58.918458
- Title: GAN-MDF: A Method for Multi-fidelity Data Fusion in Digital Twins
- Title（参考訳）: GAN-MDF:デジタル双生児における多要素データ融合法
- Authors: Lixue Liu, Chao Zhang, Dacheng Tao
- Abstract要約: Internet of Things(IoT)は、スマートファクトリ、インテリジェントロボット、ヘルスケアシステムなどの物理システムのリアルタイムデータを収集する。
高忠実度(HF)応答は、関心の系を正確に記述するが、コストがかかる。
低忠実性(LF)応答は計算コストが低いが、要求される精度を満たせなかった。
デジタル双生児(GAN-MDF)におけるMDFの新たな生成的対向ネットワークを提案する。
- 参考スコア（独自算出の注目度）: 82.71367011801242
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Internet of Things (IoT) collects real-time data of physical systems,
such as smart factory, intelligent robot and healtcare system, and provide
necessary support for digital twins. Depending on the quality and accuracy,
these multi-source data are divided into different fidelity levels.
High-fidelity (HF) responses describe the system of interest accurately but are
computed costly. In contrast, low-fidelity (LF) responses have a low
computational cost but could not meet the required accuracy. Multi-fidelity
data fusion (MDF) methods aims to use massive LF samples and small amounts of
HF samples to develop an accurate and efficient model for describing the system
with a reasonable computation burden. In this paper, we propose a novel
generative adversarial network for MDF in digital twins (GAN-MDF). The
generator of GAN-MDF is composed of two sub-networks: one extracts the LF
features from an input; and the other integrates the input and the extracted LF
features to form the input of the subsequent discriminator. The discriminator
of GAN-MDF identifies whether the generator output is a real sample generated
from HF model. To enhance the stability of GAN-MDF's training, we also
introduce the supervised-loss trick to refine the generator weights during each
iteration of the adversarial training. Compared with the state-of-the-art
methods, the proposed GAN-MDF has the following advantages: 1) it performs well
in the case of either nested or unnested sample structure; 2) there is no
specific assumption on the data distribution; and 3) it has high robustness
even when very few HF samples are provided. The experimental results also
support the validity of GAN-MDF.
- Abstract（参考訳）: IoT(Internet of Things)は、スマートファクトリ、インテリジェントロボット、ヘルスケアシステムなどの物理システムのリアルタイムデータを収集し、デジタル双生児に必要なサポートを提供する。
品質と精度によって、これらのマルチソースデータは異なる忠実度レベルに分割される。
高忠実度(hf)応答は、関心のシステムを正確に記述するが、費用がかかる。
対照的に、低忠実度(lf)応答は計算コストが低いが、必要な精度を満たせない。
MDF(Multi-fidelity Data fusion)法は、大量のLFサンプルと少量のHFサンプルを用いて、適切な計算負荷でシステムを記述するための正確かつ効率的なモデルを開発することを目的としている。
本稿では,デジタル双生児(GAN-MDF)におけるMDFの新たな生成的敵ネットワークを提案する。
GAN−MDFのジェネレータは、入力からLF特徴を抽出するサブネットワークと、抽出されたLF特徴とを統合して、その後の判別器の入力を形成する2つのサブネットワークで構成されている。
GAN-MDFの判別器は、生成元出力がHFモデルから生成された実サンプルであるかどうかを特定する。
また, GAN-MDF訓練の安定性を高めるため, 逆行訓練の各イテレーションにおいて, 発電機重量を改良するための教師付きロストリックを導入する。
現状の手法と比較して,提案手法の長所は次の通りである: 1) 巣状または無巣のサンプル構造の場合, 2) データ分布に具体的な仮定はなく, 3) ごく少数のサンプルが提供されても, 高い堅牢性を有する。
実験結果は, GAN-MDFの有効性も裏付ける。
関連論文リスト
- Local Flow Matching Generative Models [19.859984725284896]
フローマッチング(英: Flow Matching, FM)は、2つの分布を補間する連続的かつ非可逆的な流れを学習するためのシミュレーション不要な手法である。
FMサブモデルのシーケンスを学習し,それぞれがデータ-雑音方向のステップサイズまで拡散過程と一致するローカルフローマッチング(LFM)を導入する。
実験では, FMと比較して, LFMの訓練効率と競争的生成性能の改善を実証した。
論文 参考訳（メタデータ） (2024-10-03T14:53:10Z) - Multi-scale Quaternion CNN and BiGRU with Cross Self-attention Feature Fusion for Fault Diagnosis of Bearing [5.3598912592106345]
深層学習は断層診断(FD)に著しい進歩をもたらした
マルチスケール畳み込み畳み込みニューラルネットワーク(MQCNN)、双方向ゲートリカレントユニット(BiG)、クロス自己注意機能融合(CSAFF)を統合した新しいFDモデルを提案する。
論文 参考訳（メタデータ） (2024-05-25T07:55:02Z) - Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
反復Denoising Energy Matching (iDEM)
iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。
提案手法は,全測定値の最先端性能を達成し,2～5倍の速さでトレーニングを行う。
論文 参考訳（メタデータ） (2024-02-09T01:11:23Z) - On the Effects of Heterogeneous Errors on Multi-fidelity Bayesian
Optimization [0.0]
データソース毎にノイズモデルを学習するMFエミュレーション手法を提案する。
材料設計における分析例と工学的問題を通して,本手法の性能について解説する。
論文 参考訳（メタデータ） (2023-09-06T06:26:21Z) - Diversity-enhancing Generative Network for Few-shot Hypothesis
Adaptation [135.80439360370556]
本稿では,FHA問題に対する多様性向上型生成ネットワーク(DEG-Net)を提案する。
カーネル独立対策(Hilbert-Schmidt independent criterion、HSIC)の助けを借りて、さまざまなラベルのないデータを生成することができる。
論文 参考訳（メタデータ） (2023-07-12T06:29:02Z) - FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。
Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
論文 参考訳（メタデータ） (2022-10-26T00:23:36Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z) - Fault Detection and Diagnosis with Imbalanced and Noisy Data: A Hybrid
Framework for Rotating Machinery [2.580765958706854]
回転機械製造システムの保守コスト低減には, 故障診断が重要な役割を担っている。
従来のフォールト検出および診断(FDD)フレームワークは、現実の状況に対処する際のパフォーマンスが劣っている。
本稿では、上記の3つのコンポーネントを用いて、効果的な信号ベースFDDシステムを実現するハイブリッドフレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-09T01:09:59Z) - Device Sampling for Heterogeneous Federated Learning: Theory,
Algorithms, and Implementation [24.084053136210027]
グラフシーケンシャル畳み込みネットワーク(GCN)に基づくサンプリング手法を開発した。
提案手法は,全機器の5%以下をサンプリングしながら,訓練されたモデル精度と必要なリソース利用の両面で,fedl(federated learning)を実質的に上回っている。
論文 参考訳（メタデータ） (2021-01-04T05:59:50Z) - Feature Quantization Improves GAN Training [126.02828112121874]
識別器の特徴量子化(FQ)は、真と偽のデータの両方を共有離散空間に埋め込む。
本手法は,既存のGANモデルに容易に接続でき,訓練における計算オーバーヘッドがほとんどない。
論文 参考訳（メタデータ） (2020-04-05T04:06:50Z)
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。