論文の概要: Designing Complex Experiments by Applying Unsupervised Machine Learning
- arxiv url: http://arxiv.org/abs/2110.01458v2
- Date: Tue, 5 Oct 2021 21:35:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-10 09:17:05.434008
- Title: Designing Complex Experiments by Applying Unsupervised Machine Learning
- Title（参考訳）: 教師なし機械学習による複雑な実験の設計
- Authors: Alex Glushkovsky
- Abstract要約: 本稿では、複雑な実験の実用的設計を支援するための教師なし機械学習の適用について論じる。
ベータ変分オートエンコーダ (beta-VAE) が適用され、最初の完全因子設計の試行を表現している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Design of experiments (DOE) is playing an essential role in learning and
improving a variety of objects and processes. The article discusses the
application of unsupervised machine learning to support the pragmatic designs
of complex experiments. Complex experiments are characterized by having a large
number of factors, mixed-level designs, and may be subject to constraints that
eliminate some unfeasible trials for various reasons. Having such attributes,
it is very challenging to design pragmatic experiments that are economically,
operationally, and timely sound. It means a significant decrease in the number
of required trials from a full factorial design, while still attempting to
achieve the defined objectives. A beta variational autoencoder (beta-VAE) has
been applied to represent trials of the initial full factorial design after
filtering out unfeasible trials on the low dimensional latent space. Regarding
visualization and interpretability, the paper is limited to 2D representations.
Beta-VAE supports (1) orthogonality of the latent space dimensions, (2)
isotropic multivariate standard normal distribution of the representation on
the latent space, (3) disentanglement of the latent space representation by
levels of factors, (4) propagation of the applied constraints of the initial
design into the latent space, and (5) generation of trials by decoding latent
space points. Having an initial design representation on the latent space with
such properties, it allows for the generation of pragmatic design of
experiments (G-DOE) by specifying the number of trials and their pattern on the
latent space, such as square or polar grids. Clustering and aggregated gradient
metrics have been shown to guide grid specification.
- Abstract（参考訳）: 実験の設計(DOE)は、さまざまなオブジェクトやプロセスの学習と改善に不可欠な役割を担っている。
本稿では、複雑な実験の実用的設計を支援するための教師なし機械学習の適用について論じる。
複雑な実験は、多くの要因、混合レベル設計を持ち、様々な理由から実現不可能な試行を除外する制約を受けることが特徴である。
このような特性を持つことで、経済的、運用的、タイムリーな健全な実践的な実験を設計することは極めて困難である。
これは、決定された目的を達成するために、必要な試行回数を完全な因子設計から大幅に減少させることを意味する。
ベータ変分オートエンコーダ (beta-VAE) は、低次元ラテント空間における不可能な試行をフィルタリングした後、初期完全因子設計の試行を表現するために応用されている。
可視化と解釈性については,2次元表現に限る。
β-vaeは、(1)潜在空間次元の直交性、(2)潜在空間上の表現の等方性多変量標準正規分布、(3)要因のレベルによる潜在空間表現の不等角化、(4)初期設計の潜在空間への適用制約の伝播、(5)潜在空間点のデコードによる試行の生成をサポートする。
そのような性質を持つ潜在空間に初期設計表現を持つことで、四角格子や極格子のような潜在空間における試行回数とそのパターンを指定することで、実験の実用的設計(g-doe)を生成できる。
クラスタリングと集約された勾配メトリクスがグリッド仕様のガイドとして示されている。
関連論文リスト
- Latent Energy-Based Odyssey: Black-Box Optimization via Expanded Exploration in the Energy-Based Latent Space [65.44449711359724]
ブラックボックス関数の高次元かつ高マルチモーダルな入力設計空間は、既存の手法に固有の課題をもたらす。
設計値の結合空間の圧縮的かつ正確な表現として機能する潜在空間の発見を検討する。
本稿では, 高精度潜時空間モデルの変分学習のための雑音強調型テレスコープ密度比推定法を提案する。
論文 参考訳（メタデータ） (2024-05-27T00:11:53Z) - An Experimental Design Framework for Label-Efficient Supervised Finetuning of Large Language Models [55.01592097059969]
命令データセットの監視された微調整は、目覚ましいゼロショットの一般化能力を達成する上で重要な役割を担っている。
アクティブラーニングは、未ラベルのプールからアノテートするサンプルの有用なサブセットを特定するのに効果的である。
本研究では,能動学習の計算ボトルネックを回避するための実験設計を提案する。
論文 参考訳（メタデータ） (2024-01-12T16:56:54Z) - Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。
本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文 参考訳（メタデータ） (2023-07-17T07:12:29Z) - Feature space exploration as an alternative for design space exploration
beyond the parametric space [2.578242050187029]
本稿では,Deep Learning (DL) を用いた設計特徴抽出により生成された特徴空間とパラメトリック設計空間を比較した。
パラメトリック設計空間は、個々のパラメータの組み合わせに基づいているため、設計ソリューションを記述する方法が狭いことを実証する。
比較して,複雑なパラメータの関係に応じて,特徴設計空間が直感的に設計ソリューションを表現できることが観察された。
論文 参考訳（メタデータ） (2023-01-26T21:03:51Z) - Disentangling Variational Autoencoders [0.0]
変分オートエンコーダ(VAE)は、高次元データの入力セットを低次元の潜在空間に投影する。
文献から3つの異なるVAEモデルを実装し、6万枚の手書き数字のデータセットでそれらをトレーニングする。
本稿では,復号化画像の品質と遅延空間の歪みレベルとのトレードオフについて検討する。
論文 参考訳（メタデータ） (2022-11-14T19:22:41Z) - Experimental Design for Linear Functionals in Reproducing Kernel Hilbert
Spaces [102.08678737900541]
線形汎関数に対するバイアス認識設計のためのアルゴリズムを提供する。
準ガウス雑音下での固定および適応設計に対する漸近的でない信頼集合を導出する。
論文 参考訳（メタデータ） (2022-05-26T20:56:25Z) - Partition-Guided GANs [63.980473635585234]
私たちは、スペースを小さな領域に分割し、それぞれがよりシンプルな分布を持ち、各パーティションごとに異なるジェネレータを訓練するパーティションーを設計します。
これはラベルを必要とせずに教師なしの方法で実行される。
各種標準ベンチマーク実験の結果,提案手法が近年の手法を上回っていることがわかった。
論文 参考訳（メタデータ） (2021-04-02T00:06:53Z) - Evidential Sparsification of Multimodal Latent Spaces in Conditional
Variational Autoencoders [63.46738617561255]
訓練された条件付き変分オートエンコーダの離散潜時空間をスパース化する問題を考察する。
顕在的理論を用いて、特定の入力条件から直接証拠を受け取る潜在クラスを特定し、そうでないクラスをフィルタリングする。
画像生成や人間の行動予測などの多様なタスクの実験により,提案手法の有効性を実証した。
論文 参考訳（メタデータ） (2020-10-19T01:27:21Z) - Application of Deep Learning in Generating Desired Design Options:
Experiments Using Synthetic Training Dataset [5.564299196293697]
本研究では,Deep Learning (DL) アルゴリズムを用いて要求された設計オプションを生成する手法を適用した。
物体認識問題は, 異なる種類の合成2次元形状からなるトレーニングデータセットに基づいて, 未知のサンプル画像のラベルを最初に予測するために検討される。
次のステップでは、空間日光自律性(sDA)メトリクスに基づいて、所望の光/影のパフォーマンスのためのウィンドウ/壁パターンを生成するようにアルゴリズムを訓練する。
論文 参考訳（メタデータ） (2019-12-28T01:26:20Z)
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。