論文の概要: Model Uncertainty and Correctability for Directed Graphical Models
- arxiv url: http://arxiv.org/abs/2107.08179v1
- Date: Sat, 17 Jul 2021 04:30:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-20 15:05:25.143311
- Title: Model Uncertainty and Correctability for Directed Graphical Models
- Title（参考訳）: 方向性図形モデルのモデル不確かさと修正性
- Authors: Panagiota Birmpa, Jinchao Feng, Markos A. Katsoulakis, Luc Rey-Bellet
- Abstract要約: 我々は、有向グラフモデルのための情報理論、頑健な不確実性定量化法および非パラメトリック応力試験を開発する。
我々は,グラフィカルモデルのコンポーネント改善のための体系的な選択を保証する,数学的に厳密な修正性に対するアプローチを提供する。
提案手法は, 量子スケールインフォームド化学反応と, 燃料電池の効率向上のための材料スクリーニングの2つの物理化学的例で実証した。
- 参考スコア（独自算出の注目度）: 3.326320568999945
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Probabilistic graphical models are a fundamental tool in probabilistic
modeling, machine learning and artificial intelligence. They allow us to
integrate in a natural way expert knowledge, physical modeling, heterogeneous
and correlated data and quantities of interest. For exactly this reason,
multiple sources of model uncertainty are inherent within the modular structure
of the graphical model. In this paper we develop information-theoretic, robust
uncertainty quantification methods and non-parametric stress tests for directed
graphical models to assess the effect and the propagation through the graph of
multi-sourced model uncertainties to quantities of interest. These methods
allow us to rank the different sources of uncertainty and correct the graphical
model by targeting its most impactful components with respect to the quantities
of interest. Thus, from a machine learning perspective, we provide a
mathematically rigorous approach to correctability that guarantees a systematic
selection for improvement of components of a graphical model while controlling
potential new errors created in the process in other parts of the model. We
demonstrate our methods in two physico-chemical examples, namely quantum
scale-informed chemical kinetics and materials screening to improve the
efficiency of fuel cells.
- Abstract（参考訳）: 確率的グラフィカルモデルは確率的モデリング、機械学習、人工知能の基本的なツールである。
それらは、専門家の知識、物理的なモデリング、異質で相関したデータ、関心の量といった自然な方法で統合することができます。
正確な理由から、モデル不確実性の複数の源は、グラフィカルモデルのモジュラ構造に固有のものである。
本稿では,多ソースモデルの不確かさのグラフによる影響と伝播を評価するために,情報理論,頑健な不確実性定量化手法,および非パラメトリックストレス試験を開発した。
これらの手法により、異なる不確実性源をランク付けし、関心の量に対して最も影響のあるコンポーネントをターゲットにすることで、グラフィカルモデルを修正することができる。
したがって、機械学習の観点からは、モデルの他の部分のプロセスで発生する潜在的な新しいエラーを制御しつつ、グラフィカルモデルのコンポーネントの改善のための体系的な選択を保証する、数学的に厳密な修正可能性のアプローチを提供する。
本手法は, 量子スケールインフォームド化学反応と燃料電池の効率向上のための材料スクリーニングの2つの物理化学的例で実証した。
関連論文リスト
- Enhancing Dynamical System Modeling through Interpretable Machine
Learning Augmentations: A Case Study in Cathodic Electrophoretic Deposition [0.8796261172196743]
本稿では,物理システムのモデリング向上を目的とした包括的データ駆動フレームワークを提案する。
実証的応用として,電顕的電気泳動沈着(EPD)のモデル化を追求する。
論文 参考訳（メタデータ） (2024-01-16T14:58:21Z) - A Physics-Guided Neural Operator Learning Approach to Model Biological
Tissues from Digital Image Correlation Measurements [3.65211252467094]
本稿では, 生体組織モデリングにおけるデータ駆動型相関について述べる。これは, 未知の負荷シナリオ下でのデジタル画像相関(DIC)測定に基づいて変位場を予測することを目的としている。
ブタ三尖弁リーフレット上の多軸延伸プロトコルのDIC変位追跡測定から材料データベースを構築した。
材料応答は、負荷から結果の変位場への解演算子としてモデル化され、材料特性はデータから暗黙的に学習され、自然にネットワークパラメータに埋め込まれる。
論文 参考訳（メタデータ） (2022-04-01T04:56:41Z) - Discrepancy Modeling Framework: Learning missing physics, modeling
systematic residuals, and disambiguating between deterministic and random
effects [4.459306403129608]
現代の力学系では、モデルと測定の相違は量子化の低下につながる。
本稿では,欠落した物理を識別し,モデル-測定ミスマッチを解消するための不一致モデリングフレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-10T05:37:24Z) - Score-based Generative Modeling of Graphs via the System of Stochastic
Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。
本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文 参考訳（メタデータ） (2022-02-05T08:21:04Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳（メタデータ） (2021-07-07T11:17:09Z) - Kernel-Based Models for Influence Maximization on Graphs based on
Gaussian Process Variance Minimization [9.357483974291899]
グラフ上の新しい影響モデル(IM)の導入と検討を行う。
データ駆動アプローチは、このIMモデルの適切なカーネルを決定するために適用することができる。
この分野でコストのかかるモンテカルロシミュレーションに依存するモデルと比較して、我々のモデルはシンプルでコスト効率のよい更新戦略を可能にする。
論文 参考訳（メタデータ） (2021-03-02T08:55:34Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳（メタデータ） (2021-02-20T03:17:58Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳（メタデータ） (2020-10-25T18:51:15Z) - Uncertainty quantification for Markov Random Fields [1.52292571922932]
一般マルコフ確率場に対する情報に基づく不確実性定量化手法を提案する。
MRFは構造化され、非方向グラフ上の確率的グラフィカルモデルである。
医療診断および統計力学モデルのためのMDFにおいて,本手法を実証する。
論文 参考訳（メタデータ） (2020-08-31T18:07:24Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳（メタデータ） (2020-03-04T00:44:57Z)
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。