論文の概要: Data-driven Uncertainty Quantification in Computational Human Head Models

• arxiv url: http://arxiv.org/abs/2110.15553v1
• Date: Fri, 29 Oct 2021 05:42:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-01 15:07:12.032908
• Title: Data-driven Uncertainty Quantification in Computational Human Head Models
• Title（参考訳）: 計算人間の頭部モデルにおけるデータ駆動不確かさの定量化
• Authors: Kshitiz Upadhyay, Dimitris G. Giovanis, Ahmed Alshareef, Andrew K. Knutsen, Curtis L. Johnson, Aaron Carass, Philip V. Bayly, Michael D. Shields, K.T. Ramesh
• Abstract要約: 現代の生物モデルシミュレーションは、非常に高い計算コストと高次元の入力と出力に関連付けられている。 本研究では、計算ヘッドモデルの不確実性定量化(UQ)のために、2段階のデータ駆動型学習ベースフレームワークを提案する。 代理モデルが計算モデルの高精度な近似を提供するとともに,計算コストを大幅に削減することを示した。
• 参考スコア（独自算出の注目度）: 0.6745502291821954
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computational models of the human head are promising tools for estimating the impact-induced response of brain, and thus play an important role in the prediction of traumatic brain injury. Modern biofidelic head model simulations are associated with very high computational cost, and high-dimensional inputs and outputs, which limits the applicability of traditional uncertainty quantification (UQ) methods on these systems. In this study, a two-stage, data-driven manifold learning-based framework is proposed for UQ of computational head models. This framework is demonstrated on a 2D subject-specific head model, where the goal is to quantify uncertainty in the simulated strain fields (i.e., output), given variability in the material properties of different brain substructures (i.e., input). In the first stage, a data-driven method based on multi-dimensional Gaussian kernel-density estimation and diffusion maps is used to generate realizations of the input random vector directly from the available data. Computational simulations of a small number of realizations provide input-output pairs for training data-driven surrogate models in the second stage. The surrogate models employ nonlinear dimensionality reduction using Grassmannian diffusion maps, Gaussian process regression to create a low-cost mapping between the input random vector and the reduced solution space, and geometric harmonics models for mapping between the reduced space and the Grassmann manifold. It is demonstrated that the surrogate models provide highly accurate approximations of the computational model while significantly reducing the computational cost. Monte Carlo simulations of the surrogate models are used for uncertainty propagation. UQ of strain fields highlight significant spatial variation in model uncertainty, and reveal key differences in uncertainty among commonly used strain-based brain injury predictor variables.
• Abstract（参考訳）: 頭部の計算モデルは、脳の衝撃応答を推定するための有望なツールであり、外傷性脳損傷の予測において重要な役割を果たす。 現代の生物モデルシミュレーションは非常に高い計算コストと高次元入力と出力に関連付けられており、これらのシステムにおける従来の不確実性定量化(UQ)手法の適用性を制限する。 本研究では、計算ヘッドモデルのUQに対して、2段階のデータ駆動型学習フレームワークを提案する。 この枠組みは、異なる脳サブ構造(すなわち入力)の材料特性の変動が与えられた、模擬ひずみ場(すなわち出力)における不確かさの定量化を目標とする2次元主観的頭部モデル上で実証される。 第1段階では、多次元ガウス核密度推定と拡散写像に基づくデータ駆動法を用いて、利用可能なデータから直接入力ランダムベクトルの実現を行う。 少数の実現の計算シミュレーションは、第2段階でデータ駆動サーロゲートモデルのトレーニングのための入出力ペアを提供する。 サーロゲートモデルは、グラスマン拡散写像を用いた非線形次元の低減、ガウス過程の回帰を用いて入力ランダムベクトルと還元解空間の間の低コストな写像、および縮小空間とグラスマン多様体の間の写像のための幾何学的調和モデルを用いる。 代理モデルが計算モデルの高精度な近似を提供するとともに,計算コストを大幅に削減することを示した。 代理モデルのモンテカルロシミュレーションは不確実性伝播に使用される。 ひずみ場のuqは、モデル不確かさの空間的変化を強調し、一般的に使用されるひずみベースの脳損傷予測変数間の不確かさの重要な違いを明らかにした。

関連論文リスト

• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Application of probabilistic modeling and automated machine learning framework for high-dimensional stress field [1.073039474000799]
  本稿では,入力のような高次元画像を高次元あるいはその重要な統計量の出力にマッピングするエンド・ツー・エンドのアプローチを提案する。 a) 高次元空間から低次元空間への入力と出力を減少または低次元空間へ、b)低次元空間における入力と出力の関係をモデル化し、c) マスクとしてドメイン固有の物理的制約を組み込むことを可能にした。
  論文  参考訳（メタデータ） (2023-03-15T13:10:58Z)
• High-dimensional Measurement Error Models for Lipschitz Loss [2.6415509201394283]
  リプシッツ損失関数のクラスに対する高次元計測誤差モデルを開発する。 我々の推定器は、適切な実現可能な集合に属するすべての推定器の中で、$L_1$ノルムを最小化するように設計されている。 有限標本統計誤差境界と符号の整合性の観点から理論的な保証を導出する。
  論文  参考訳（メタデータ） (2022-10-26T20:06:05Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Generative models and Bayesian inversion using Laplace approximation [0.3670422696827525]
  近年, 生成モデルを用いて高情報化の先行問題として逆問題の解法が提案されている。 導出ベイズ推定は、生成モデルの低次元多様体を用いたアプローチとは対照的に、一貫したものであることを示す。
  論文  参考訳（メタデータ） (2022-03-15T10:05:43Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)
• Low-rank statistical finite elements for scalable model-data synthesis [0.8602553195689513]
  statFEMは、支配方程式に強制を埋め込むことによって、事前モデルの誤特定を認める。 この方法は、観測されたデータ生成過程を最小限の情報損失で再構築する。 本稿では、下層の密度共分散行列の低ランク近似を埋め込むことで、このハードルを克服する。
  論文  参考訳（メタデータ） (2021-09-10T09:51:43Z)
• Supervised Autoencoders Learn Robust Joint Factor Models of Neural Activity [2.8402080392117752]
  神経科学の応用は、行動結果とともに異なる領域の脳活動に対応する高次元予測因子を収集する。 予測因子と結果の結合因子モデルは自然であるが、これらのモデルの最大推定値は、モデルが不特定である場合に実際に苦労することがある。 本稿では,教師付きオートエンコーダに基づく代替推論手法を提案する。潜在因子に確率分布を配置するのではなく,高次元予測器の未知関数として定義する。
  論文  参考訳（メタデータ） (2020-04-10T19:31:57Z)

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。