論文の概要: Transport away your problems: Calibrating stochastic simulations with
optimal transport
- arxiv url: http://arxiv.org/abs/2107.08648v1
- Date: Mon, 19 Jul 2021 07:11:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-21 00:13:53.565859
- Title: Transport away your problems: Calibrating stochastic simulations with
optimal transport
- Title(参考訳): 問題を解消する:最適輸送による確率シミュレーションのキャリブレーション
- Authors: Chris Pollard, Philipp Windischhofer
- Abstract要約: 我々は輸送理論からの手法を活用して「校正」シミュレータを構築する。
ニューラルネットワークを用いて、シミュレータによって生成された個々のサンプルに対する最小限の変更を計算します。
実験粒子物理学の文脈におけるその方法とその利点を解説する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stochastic simulators are an indispensable tool in many branches of science.
Often based on first principles, they deliver a series of samples whose
distribution implicitly defines a probability measure to describe the phenomena
of interest. However, the fidelity of these simulators is not always sufficient
for all scientific purposes, necessitating the construction of ad-hoc
corrections to "calibrate" the simulation and ensure that its output is a
faithful representation of reality. In this paper, we leverage methods from
transportation theory to construct such corrections in a systematic way. We use
a neural network to compute minimal modifications to the individual samples
produced by the simulator such that the resulting distribution becomes properly
calibrated. We illustrate the method and its benefits in the context of
experimental particle physics, where the need for calibrated stochastic
simulators is particularly pronounced.
- Abstract(参考訳): 確率的シミュレータは科学の多くの分野において必須のツールである。
しばしば第一原理に基づいて、分布が暗黙的に関心の現象を記述する確率測度を定義する一連のサンプルを提供する。
しかし、これらのシミュレータの忠実さは全ての科学的目的に必ずしも十分ではなく、シミュレーションを"校正"し、その出力が現実の忠実な表現であることを確実にするためには、アドホックな補正を構築する必要がある。
本稿では,輸送理論の手法を活用し,そのような補正を体系的に構築する。
ニューラルネットワークを用いてシミュレータが生成したサンプルの最小限の修正を計算し、その結果の分布を適切に調整する。
実験粒子物理学の文脈におけるこの手法とその利点について解説し, 校正確率シミュレータの必要性は特に顕著である。
関連論文リスト
- GauSim: Registering Elastic Objects into Digital World by Gaussian Simulator [55.02281855589641]
GauSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。
我々は連続体力学を活用し、各カーネルを連続体としてモデル化し、理想化された仮定なしに現実的な変形を考慮に入れた。
ガウシムは質量や運動量保存などの明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文 参考訳(メタデータ) (2024-12-23T18:58:17Z) - Reliability analysis for non-deterministic limit-states using stochastic emulators [0.0]
本稿では、モデルに対する信頼性解析を導入し、その典型的な計算コストを下げるために適切な代理モデルを用いて対処する。
具体的には、最近導入された一般化モデルとカオス拡張に焦点を当てる。
まず、閉形式解を持つ解析関数を用いて、エミュレータが正しい解に収束することを実証する。
論文 参考訳(メタデータ) (2024-12-18T11:08:56Z) - Bayesian Adaptive Calibration and Optimal Design [23.319315014843713]
現在の機械学習アプローチは、主に観測データで利用可能な固定された設計セットに対する再実行シミュレーションに依存している。
本稿では,バッチシーケンスプロセス内で最大情報化シミュレーションを実行するためのデータ効率アルゴリズムを提案する。
合成問題と実データ問題にまたがる関連手法と比較して,本手法の利点を示す。
論文 参考訳(メタデータ) (2024-05-23T11:14:35Z) - SIP: Injecting a Structural Inductive Bias into a Seq2Seq Model by Simulation [75.14793516745374]
本稿では, 構造的帰納バイアスをセック2セックモデルに効率よく注入し, 合成データの構造的変換をシミュレートする方法について述べる。
実験の結果,本手法は所望の帰納バイアスを付与し,FSTのようなタスクに対してより優れた数発学習を実現することがわかった。
論文 参考訳(メタデータ) (2023-10-01T21:19:12Z) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳(メタデータ) (2022-12-12T15:06:32Z) - Fast and realistic large-scale structure from machine-learning-augmented
random field simulations [0.0]
我々は、予測された対数正規ダークマター密度場をより現実的なダークマターマップに変換するために機械学習モデルを訓練する。
本研究では,フィールド分解能,赤方偏移,宇宙論的パラメータの異なる様々な統計的テストと比較したモデルの性能を示す。
論文 参考訳(メタデータ) (2022-05-16T18:00:01Z) - Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。
本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
論文 参考訳(メタデータ) (2021-11-02T12:33:42Z) - Unrolling Particles: Unsupervised Learning of Sampling Distributions [102.72972137287728]
粒子フィルタリングは複素系の優れた非線形推定を計算するために用いられる。
粒子フィルタは様々なシナリオにおいて良好な推定値が得られることを示す。
論文 参考訳(メタデータ) (2021-10-06T16:58:34Z) - Transfer learning suppresses simulation bias in predictive models built
from sparse, multi-modal data [15.587831925516957]
科学、工学、ビジネスにおける多くの問題は、ごくわずかな観察に基づく予測を必要とする。
堅牢な予測モデルを構築するには、特に設計空間が多次元である場合、これらのスパースデータをシミュレーションデータで拡張する必要がある。
ディープラーニングの最近の開発を組み合わせて、マルチモーダルデータからより堅牢な予測モデルを構築します。
論文 参考訳(メタデータ) (2021-04-19T23:28:32Z) - A Doubly Stochastic Simulator with Applications in Arrivals Modeling and
Simulation [8.808993671472349]
本稿では,モンテカルロシミュレータとワッサーシュタイン生成逆数ネットワークを統合して,広範囲の到着過程をモデル化し,推定し,シミュレーションするフレームワークを提案する。
古典的モンテカルロシミュレータはポアソンオブジェクトの解釈可能な「物理」を捉えるのに利点があるが、ニューラルネットベースのシミュレータは高次元分布における解釈できない複雑な依存を捉えるのに利点がある。
論文 参考訳(メタデータ) (2020-12-27T13:32:16Z) - Learning to predict metal deformations in hot-rolling processes [59.00006390882099]
ホットローリング(Hot-rolling)は、入力から一連の変形を通じて断面を生成する金属成形プロセスである。
現状では、ロールの回転列と形状は、与えられた断面を達成するために必要である。
そこで本研究では,一組のロールが与えられた形状を予測するための教師付き学習手法を提案する。
論文 参考訳(メタデータ) (2020-07-22T13:33:44Z)
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。