論文の概要: Local Latin Hypercube Refinement for Multi-objective Design Uncertainty Optimization

• arxiv url: http://arxiv.org/abs/2108.08890v1
• Date: Thu, 19 Aug 2021 19:46:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-23 13:33:05.798923
• Title: Local Latin Hypercube Refinement for Multi-objective Design Uncertainty Optimization
• Title（参考訳）: 多目的設計不確実性最適化のための局所ラテンハイパーキューブ微細化
• Authors: Can Bogoclu, Dirk Roos, Tamara Nestorovi\'c
• Abstract要約: 本稿では,ロバスト設計最適化問題に対するサロゲートに基づく逐次サンプリング手法を提案する。 提案されたローカルラテンハイパーキューブ改善(LoLHR)戦略はモデルに依存しず、任意の代理モデルと組み合わせることができる。 LoLHRは、テスト済みの他のサロゲートベースの戦略と比較して平均的なより良い結果が得られる。
• 参考スコア（独自算出の注目度）: 0.5156484100374058
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Optimizing the reliability and the robustness of a design is important but often unaffordable due to high sample requirements. Surrogate models based on statistical and machine learning methods are used to increase the sample efficiency. However, for higher dimensional or multi-modal systems, surrogate models may also require a large amount of samples to achieve good results. We propose a sequential sampling strategy for the surrogate based solution of multi-objective reliability based robust design optimization problems. Proposed local Latin hypercube refinement (LoLHR) strategy is model-agnostic and can be combined with any surrogate model because there is no free lunch but possibly a budget one. The proposed method is compared to stationary sampling as well as other proposed strategies from the literature. Gaussian process and support vector regression are both used as surrogate models. Empirical evidence is presented, showing that LoLHR achieves on average better results compared to other surrogate based strategies on the tested examples.
• Abstract（参考訳）: 信頼性と設計のロバスト性を最適化することは重要であるが、高いサンプル要求のためにしばしば耐えられない。 統計的および機械学習手法に基づく代理モデルを用いてサンプル効率を向上させる。 しかし、高次元または多モードのシステムでは、サロゲートモデルは良い結果を得るために大量のサンプルを必要とする。 本稿では,多目的信頼度に基づくロバスト設計最適化問題のサロゲートベース解に対する逐次サンプリング戦略を提案する。 提案されたローカル・ラテン・ハイパーキューブ・リファインメント(LoLHR)戦略は、モデルに依存しないものであり、どんな代理モデルとも組み合わせることができる。 提案手法を定常サンプリング法や文献から提案された戦略と比較する。 ガウス過程と支持ベクトル回帰はどちらも代理モデルとして用いられる。 実証的な証拠が提示され、LoLHRは試験例の他のサロゲートベースの戦略と比較して平均的なより良い結果が得られることを示した。

関連論文リスト

• Preference Optimization with Multi-Sample Comparisons [53.02717574375549]
  本稿では,マルチサンプル比較を含むポストトレーニングの拡張手法を提案する。 これらのアプローチは、生成的多様性やバイアスといった重要な特徴を捉えられない。 マルチサンプル比較はシングルサンプル比較よりも集団特性の最適化に有効であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T00:59:19Z)
• Model-Free Active Exploration in Reinforcement Learning [53.786439742572995]
  強化学習における探索問題について検討し,新しいモデルフリーソリューションを提案する。 我々の戦略は、最先端の探査アプローチよりも高速に効率的な政策を特定できる。
  論文  参考訳（メタデータ） (2024-06-30T19:00:49Z)
• Regression-aware Inference with LLMs [52.764328080398805]
  提案手法は,一般的な回帰と評価指標に準最適であることを示す。 本稿では,ベイズ最適解を推定し,サンプル応答からクローズド形式の評価指標を推定する代替推論手法を提案する。
  論文  参考訳（メタデータ） (2024-03-07T03:24:34Z)
• Optimal Budgeted Rejection Sampling for Generative Models [54.050498411883495]
  判別器を用いた生成モデルの性能向上のために, 還元サンプリング法が提案されている。 提案手法は,まず,最適に最適である最適予算削減サンプリング方式を提案する。 第2に,モデル全体の性能を高めるために,サンプリング方式をトレーニング手順に組み込んだエンドツーエンド手法を提案する。
  論文  参考訳（メタデータ） (2023-11-01T11:52:41Z)
• Gradient and Uncertainty Enhanced Sequential Sampling for Global Fit [0.0]
  本稿では、GUESS(Gradient and Uncertainty Enhanced Sequential Smpling)と呼ばれる、グローバル適合のための新しいサンプリング戦略を提案する。 GUESSは, 実験例における他のサロゲート型戦略と比較して, 平均的な試料効率で達成された。
  論文  参考訳（メタデータ） (2023-09-29T19:49:39Z)
• Robust Model-Based Optimization for Challenging Fitness Landscapes [96.63655543085258]
  タンパク質の設計には、フィットネスのランドスケープの最適化が含まれる。 指導法は, トレーニングセットにおける高適合度サンプルの多彩さに課題を呈する。 デザイン空間における「分離」というこの問題は、既存のモデルベース最適化ツールにおいて重大なボトルネックとなっていることを示す。 本稿では,新しいVAEを検索モデルとして利用して問題を克服する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T03:47:32Z)
• Optimizing Hyperparameters with Conformal Quantile Regression [7.316604052864345]
  本稿では,観測ノイズについて最小限の仮定を行う等化量子レグレッションを活用することを提案する。 これは経験的ベンチマークでのHPO収束を早くすることを意味する。
  論文  参考訳（メタデータ） (2023-05-05T15:33:39Z)
• 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)
• DeepAL for Regression Using $\epsilon$-weighted Hybrid Query Strategy [0.799536002595393]
  能動学習(AL)法と深層学習(DL)法を組み合わせた新しいサンプリング手法を提案する。 我々はこのメソッドを$epsilon$-weighted hybrid query strategy(epsilon$-HQS)と呼ぶ。 実験による評価では, 他の試料選択法と比較してサロゲートの精度が向上した。
  論文  参考訳（メタデータ） (2022-06-24T14:38:05Z)
• Sample-Efficient Reinforcement Learning via Conservative Model-Based Actor-Critic [67.00475077281212]
  モデルベース強化学習アルゴリズムは、モデルフリーのアルゴリズムよりもサンプル効率が高い。 本稿では,精度の高い学習モデルに強く依存することなく,高いサンプル効率を実現する新しい手法を提案する。 CMBACは,いくつかの課題に対して,サンプル効率の点で最先端のアプローチを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2021-12-16T15:33:11Z)
• Variational Inference with NoFAS: Normalizing Flow with Adaptive Surrogate for Computationally Expensive Models [7.217783736464403]
  マルコフ連鎖モンテカルロのようなサンプリングに基づくアプローチの使用は、それぞれの可能性評価が計算的に高価であるときに難解になる可能性がある。 変分推論と正規化フローを組み合わせた新しいアプローチは、潜在変数空間の次元と線形にしか成長しない計算コストによって特徴づけられる。 本稿では,ニューラルネットワークサロゲートモデルの正規化フローパラメータと重みを代わりに更新する最適化戦略である,適応サロゲートを用いた正規化フロー(NoFAS)を提案する。
  論文  参考訳（メタデータ） (2021-08-28T14:31:45Z)

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。