論文の概要: RID-Noise: Towards Robust Inverse Design under Noisy Environments

• arxiv url: http://arxiv.org/abs/2112.03912v1
• Date: Tue, 7 Dec 2021 06:32:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-09 13:48:45.128651
• Title: RID-Noise: Towards Robust Inverse Design under Noisy Environments
• Title（参考訳）: RIDノイズ:雑音環境下でのロバストな逆設計を目指して
• Authors: Jia-Qi Yang, Ke-Bin Fan, Hao Ma, De-Chuan Zhan
• Abstract要約: 条件付き可逆ニューラルネットワーク(cINN)を学習するための雑音下でのロバスト逆設計(RID-Noise)を提案する。 本稿では,前向きニューラルネットワークの予測誤差を用いて,設計パラメータのロバスト性をその予測可能性によって推定する。 実験の結果から, RID-Noiseがデータから分布とロバスト性を学ぶことによって, どのように機能するかを明確にする。
• 参考スコア（独自算出の注目度）: 30.58112077143225
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: From an engineering perspective, a design should not only perform well in an ideal condition, but should also resist noises. Such a design methodology, namely robust design, has been widely implemented in the industry for product quality control. However, classic robust design requires a lot of evaluations for a single design target, while the results of these evaluations could not be reused for a new target. To achieve a data-efficient robust design, we propose Robust Inverse Design under Noise (RID-Noise), which can utilize existing noisy data to train a conditional invertible neural network (cINN). Specifically, we estimate the robustness of a design parameter by its predictability, measured by the prediction error of a forward neural network. We also define a sample-wise weight, which can be used in the maximum weighted likelihood estimation of an inverse model based on a cINN. With the visual results from experiments, we clearly justify how RID-Noise works by learning the distribution and robustness from data. Further experiments on several real-world benchmark tasks with noises confirm that our method is more effective than other state-of-the-art inverse design methods. Code and supplementary is publicly available at https://github.com/ThyrixYang/rid-noise-aaai22
• Abstract（参考訳）: エンジニアリングの観点からは、設計は理想的な状態でうまく機能するだけでなく、ノイズにも耐えるべきである。 このような設計手法、すなわち堅牢な設計は、製品の品質管理のために業界で広く実装されている。 しかしながら、古典的なロバスト設計は単一の設計対象に対して多くの評価を必要とするが、これらの評価の結果は新しい目標のために再利用できない。 データ効率のよいロバストな設計を実現するために,既存の雑音データを利用して条件付き可逆ニューラルネットワーク(cINN)を訓練するロバスト逆設計(RID-Noise)を提案する。 具体的には,その予測可能性から設計パラメータのロバスト性を推定し,フォワードニューラルネットワークの予測誤差を推定する。 また,cinnに基づく逆モデルの最大重み付き確率推定に使用できるサンプル回りの重みも定義する。 実験の結果から, RID-Noiseがデータから分布とロバスト性を学ぶことによって, どのように機能するかを明確にする。 ノイズのある実世界のベンチマークタスクのさらなる実験により、この手法は他の最先端の逆設計手法よりも効果的であることが確認された。 コードと補足はhttps://github.com/ThyrixYang/rid-noise-aaai22で公開されている。

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Unrolled denoising networks provably learn optimal Bayesian inference [54.79172096306631]
  我々は、近似メッセージパッシング(AMP)のアンロールに基づくニューラルネットワークの最初の厳密な学習保証を証明した。 圧縮センシングでは、製品から引き出されたデータに基づいてトレーニングを行うと、ネットワークの層がベイズAMPで使用されるのと同じデノイザーに収束することを示す。
  論文  参考訳（メタデータ） (2024-09-19T17:56:16Z)
• Data Augmentation of Contrastive Learning is Estimating Positive-incentive Noise [54.24688963649581]
  コントラスト学習と$pi$-noiseの関係を科学的に検討する。 タスクに有益なノイズを学習することを目的としたポジティブ・インセンティブノイズ(Pi-Noise または $pi$-Noise )のアイデアに触発されて,我々は $pi$-noise ジェネレータを開発した。
  論文  参考訳（メタデータ） (2024-08-19T12:07:42Z)
• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Diffusion Generative Inverse Design [28.04683283070957]
  逆設計(英: inverse design)とは、目的関数の入力を最適化し、目的の結果を導出する問題を指す。 学習グラフニューラルネットワーク(GNN)の最近の進歩は、シミュレーション力学の正確で効率的で微分可能な推定に利用することができる。 本稿では, 分散拡散モデルを用いて, 逆設計問題の解法を効率的に行う方法を示し, より効率的な粒子サンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-05T08:32:07Z)
• Task-specific experimental design for treatment effect estimation [59.879567967089145]
  因果推論の標準は大規模ランダム化試験(RCT)である。 近年の研究では、RCTのよりサンプル効率の良い代替案が提案されているが、これらは因果効果を求める下流の応用には適用できない。 実験的な設計のためのタスク固有のアプローチを開発し、特定の下流アプリケーションにカスタマイズされたサンプリング戦略を導出する。
  論文  参考訳（メタデータ） (2023-06-08T18:10:37Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• Confidence-based Reliable Learning under Dual Noises [46.45663546457154]
  ディープニューラルネットワーク(DNN)は、様々なコンピュータビジョンタスクにおいて顕著な成功を収めている。 しかし、オープンワールドから収集されたデータはノイズによって必然的に汚染され、学習されたモデルの有効性を著しく損なう可能性がある。 データノイズ下でDNNを確実に訓練する様々な試みがなされているが、ラベルに存在するノイズと画像に存在するノイズを別々に考慮している。 この作業は、ジョイント(イメージ、ラベル)ノイズの下での信頼性学習のための、最初の統一されたフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-02-10T07:50:34Z)
• Theta-Resonance: A Single-Step Reinforcement Learning Method for Design Space Exploration [10.184056098238766]
  Theta-Resonanceを用いて、より最適なサンプルを生成するインテリジェントエージェントを訓練する。 我々は、政策ネットワークを更新するために、既存の政策勾配アルゴリズムを深層強化学習(D-RL)に特化している。 分類設計空間のみを提示するが、連続かつ混合した連続離散設計空間を探索するためにテータ共振器の使い方も概説する。
  論文  参考訳（メタデータ） (2022-11-03T16:08:40Z)
• Targeted Adaptive Design [0.0]
  近代的な製造と先進的な材料設計は、しばしば比較的高次元のプロセス制御パラメータ空間の探索を必要とする。 本稿では、このサンプリングタスクを効率的に行う新しいアルゴリズムであるターゲット適応設計(TAD)について述べる。 TADは、ベイズ最適化と最適な実験設計と本質的に異なる方法で、探査と爆発の緊張を具現化している。
  論文  参考訳（メタデータ） (2022-05-27T19:29:24Z)

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。