論文の概要: Adaptive importance sampling for seismic fragility curve estimation
- arxiv url: http://arxiv.org/abs/2109.04323v1
- Date: Thu, 9 Sep 2021 14:56:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-10 19:47:32.559267
- Title: Adaptive importance sampling for seismic fragility curve estimation
- Title（参考訳）: 地震フレギリティ曲線推定のための適応的重要度サンプリング
- Authors: Clement Gauchy, Cyril Feau, and Josselin Garnier
- Abstract要約: 地震荷重を受ける際には, 機械・土木構造物の脆性について検討する必要がある。
フラジティ曲線の推定は、時間のかかる数値シミュレーションに依存する。
適応的重要度サンプリングに基づく能動的学習手法の提案と実装を行う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As part of Probabilistic Risk Assessment studies, it is necessary to study
the fragility of mechanical and civil engineered structures when subjected to
seismic loads. This risk can be measured with fragility curves, which express
the probability of failure of the structure conditionally to a seismic
intensity measure. The estimation of fragility curves relies on time-consuming
numerical simulations, so that careful experimental design is required in order
to gain the maximum information on the structure's fragility with a limited
number of code evaluations. We propose and implement an active learning
methodology based on adaptive importance sampling in order to reduce the
variance of the training loss. The efficiency of the proposed method in terms
of bias, standard deviation and prediction interval coverage are theoretically
and numerically characterized.
- Abstract（参考訳）: 確率論的リスクアセスメント研究の一環として, 地震荷重を受ける際の機械・土木構造物の脆性について検討する必要がある。
このリスクは、地震強度測定に条件付きで構造物の故障の確率を表す脆弱な曲線で測定することができる。
フラギリティー曲線の推定は時間を要する数値シミュレーションに依存するため、少ないコード評価で構造物のフラギリティーの最大情報を得るためには、注意深く実験的な設計が必要となる。
本研究では,適応的重要度サンプリングに基づく能動的学習手法を提案し,学習損失の分散を低減する。
提案手法の偏差,標準偏差,予測区間被覆の効率を理論的・数値的に評価した。
関連論文リスト
- Embedding generalization within the learning dynamics: An approach based-on sample path large deviation theory [0.0]
本研究では,持続的視点から手法を利用する経験的リスク摂動に基づく学習問題を考察する。
大規模偏差のFreidlin-Wentzell理論に基づく小雑音限界の推定を行う。
また、最適点推定に繋がる変分問題を解く計算アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-08-04T23:31:35Z) - Fair Risk Minimization under Causal Path-Specific Effect Constraints [3.0232957374216953]
本稿では,機械学習を用いて最適な予測を推定するためのフレームワークを提案する。
平均二乗誤差とクロスエントロピーリスク基準に基づく制約付き最適化のための閉形式解を導出する。
論文 参考訳（メタデータ） (2024-08-03T02:05:43Z) - Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。
この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。
提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
論文 参考訳（メタデータ） (2024-07-26T10:29:16Z) - Score Matching-based Pseudolikelihood Estimation of Neural Marked
Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。
具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。
提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文 参考訳（メタデータ） (2023-10-25T02:37:51Z) - Conformalized Multimodal Uncertainty Regression and Reasoning [0.9205582989348333]
本稿では,マルチモーダル(不連続)不確実性境界を予測できる軽量不確実性推定器を提案する。
本稿では,空飛ぶ領域対称性などの環境特性が多モード不確実性をもたらす視覚計測(VO)への応用について論じる。
論文 参考訳（メタデータ） (2023-09-20T02:40:59Z) - Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。
シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
論文 参考訳（メタデータ） (2022-03-25T19:57:19Z) - A Comparative Evaluation of Machine Learning Algorithms for the
Prediction of R/C Buildings' Seismic Damage [0.0]
本稿では,R/C建築物の耐震性を予測するため,各種機械学習アルゴリズムの有効性を広範囲に評価する。
大規模な比較研究は、最も効率的な機械学習アルゴリズムによって利用される。
実験の結果,LightGBMアプローチはトレーニングの安定性,総合性能,決定係数を著しく向上させることがわかった。
論文 参考訳（メタデータ） (2022-03-25T05:10:14Z) - Differential privacy and robust statistics in high dimensions [49.50869296871643]
高次元Propose-Test-Release (HPTR) は指数的メカニズム、頑健な統計、Propose-Test-Release メカニズムという3つの重要なコンポーネントの上に構築されている。
本論文では,HPTRが複数のシナリオで最適サンプル複雑性をほぼ達成していることを示す。
論文 参考訳（メタデータ） (2021-11-12T06:36:40Z) - Causality and Generalizability: Identifiability and Learning Methods [0.0]
この論文は、因果効果の推定、因果構造学習、および分布的に堅牢な予測方法に関する研究領域に寄与する。
本稿では,データ依存平均二乗予測誤差正規化を用いた機器変数設定における線形・非線形因果関係推定器について述べる。
本稿では,介入誘起分布に関する分布ロバスト性に関する一般的な枠組みを提案する。
論文 参考訳（メタデータ） (2021-10-04T13:12:11Z) - Trust but Verify: Assigning Prediction Credibility by Counterfactual
Constrained Learning [123.3472310767721]
予測信頼性尺度は統計学と機械学習において基本的なものである。
これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。
この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
論文 参考訳（メタデータ） (2020-11-24T19:52:38Z) - The Aleatoric Uncertainty Estimation Using a Separate Formulation with
Virtual Residuals [51.71066839337174]
既存の手法では、ターゲット推定における誤差を定量化できるが、過小評価する傾向がある。
本稿では,信号とその不確かさを推定するための新たな分離可能な定式化を提案し,オーバーフィッティングの影響を回避した。
提案手法は信号および不確実性推定のための最先端技術より優れていることを示す。
論文 参考訳（メタデータ） (2020-11-03T12:11:27Z)
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。