論文の概要: Interaction-Aware Sensitivity Analysis for Aerodynamic Optimization
Results using Information Theory
- arxiv url: http://arxiv.org/abs/2112.05609v1
- Date: Fri, 10 Dec 2021 15:41:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-13 15:49:26.194738
- Title: Interaction-Aware Sensitivity Analysis for Aerodynamic Optimization
Results using Information Theory
- Title（参考訳）: 情報理論を用いた空力最適化結果の対話型感度解析
- Authors: Patricia Wollstadt and Sebastian Schmitt
- Abstract要約: エンジニアリング設計プロセスにおいて重要な問題は、設計パラメータがパフォーマンスに最も影響を与えることを理解することである。
本稿では、最近導入された情報理論手法と推定アルゴリズムを用いて、最適化結果において最も影響力のある入力パラメータを見つけることを提案する。
- 参考スコア（独自算出の注目度）: 0.07614628596146601
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: An important issue during an engineering design process is to develop an
understanding which design parameters have the most influence on the
performance. Especially in the context of optimization approaches this
knowledge is crucial in order to realize an efficient design process and
achieve high-performing results. Information theory provides powerful tools to
investigate these relationships because measures are model-free and thus also
capture non-linear relationships, while requiring only minimal assumptions on
the input data. We therefore propose to use recently introduced
information-theoretic methods and estimation algorithms to find the most
influential input parameters in optimization results. The proposed methods are
in particular able to account for interactions between parameters, which are
often neglected but may lead to redundant or synergistic contributions of
multiple parameters. We demonstrate the application of these methods on
optimization data from aerospace engineering, where we first identify the most
relevant optimization parameters using a recently introduced
information-theoretic feature-selection algorithm that accounts for
interactions between parameters. Second, we use the novel partial information
decomposition (PID) framework that allows to quantify redundant and synergistic
contributions between selected parameters with respect to the optimization
outcome to identify parameter interactions. We thus demonstrate the power of
novel information-theoretic approaches in identifying relevant parameters in
optimization runs and highlight how these methods avoid the selection of
redundant parameters, while detecting interactions that result in synergistic
contributions of multiple parameters.
- Abstract（参考訳）: エンジニアリング設計プロセスにおいて重要な問題は、設計パラメータがパフォーマンスに最も影響を与えることを理解することである。
特に最適化アプローチの文脈では、効率的な設計プロセスを実現し、ハイパフォーマンスな結果を達成するためには、この知識が不可欠である。
情報理論は、指標がモデルフリーであり、入力データに最小限の仮定しか必要とせず、非線形関係も捉えるので、これらの関係を調べる強力なツールを提供する。
そこで,最近導入された情報理論的手法と推定アルゴリズムを用いて,最適化結果に最も影響を与える入力パラメータを求める。
提案手法はしばしば無視されるが、複数のパラメータの冗長あるいは相乗的貢献につながる可能性があるパラメータ間の相互作用を特に考慮することができる。
そこで我々は,最近導入されたパラメータ間の相互作用を考慮に入れた情報理論的特徴選択アルゴリズムを用いて,最も関連性の高い最適化パラメータを最初に同定する。
第2に,選択されたパラメータ間の冗長および相乗的貢献を定量化し,パラメータ間相互作用を識別する,新しい部分情報分解(pid)フレームワークを用いた。
そこで我々は、最適化における関連パラメータの同定における新しい情報理論的アプローチの力を示し、これらの手法が冗長パラメータの選択を回避し、複数のパラメータの相乗的寄与をもたらす相互作用を検出することを強調する。
関連論文リスト
- Scaling Exponents Across Parameterizations and Optimizers [94.54718325264218]
本稿では,先行研究における重要な仮定を考察し,パラメータ化の新たな視点を提案する。
私たちの経験的調査には、3つの組み合わせでトレーニングされた数万のモデルが含まれています。
最高の学習率のスケーリング基準は、以前の作業の仮定から除外されることがよくあります。
論文 参考訳（メタデータ） (2024-07-08T12:32:51Z) - Adaptive Preference Scaling for Reinforcement Learning with Human Feedback [103.36048042664768]
人間からのフィードバックからの強化学習(RLHF)は、AIシステムと人間の価値を合わせるための一般的なアプローチである。
本稿では,分散ロバスト最適化(DRO)に基づく適応的優先損失を提案する。
提案手法は多用途であり,様々な選好最適化フレームワークに容易に適用可能である。
論文 参考訳（メタデータ） (2024-06-04T20:33:22Z) - End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳（メタデータ） (2024-02-12T16:33:35Z) - A Unified Gaussian Process for Branching and Nested Hyperparameter
Optimization [19.351804144005744]
ディープラーニングでは、条件に依存したパラメータのチューニングが一般的に行われている。
新しいGPモデルでは、新しいカーネル関数を通じて入力変数間の依存構造が説明される。
ニューラルネットワークの一連の合成シミュレーションおよび実データ応用において、高い予測精度とより良い最適化効率が観察される。
論文 参考訳（メタデータ） (2024-01-19T21:11:32Z) - On the Effectiveness of Parameter-Efficient Fine-Tuning [79.6302606855302]
現在、多くの研究が、パラメータのごく一部のみを微調整し、異なるタスク間で共有されるパラメータのほとんどを保持することを提案している。
これらの手法は, いずれも細粒度モデルであり, 新たな理論的解析を行う。
我々の理論に根ざした空間性の有効性にもかかわらず、調整可能なパラメータをどう選ぶかという問題はまだ未解決のままである。
論文 参考訳（メタデータ） (2022-11-28T17:41:48Z) - Visualization and Optimization Techniques for High Dimensional Parameter
Spaces [4.111899441919165]
本稿では,直接最適化手法と視覚分析研究を組み合わせた,ストレージシステムの最適化のための自動チューニングフレームワークを提案する。
本システムは,システムパフォーマンス研究者グループとの緊密なコラボレーションによって開発され,専門家インタビュー,比較ユーザスタディ,および2つのケーススタディによって最終効果が評価された。
論文 参考訳（メタデータ） (2022-04-28T23:01:15Z) - On the Parameter Combinations That Matter and on Those That do Not [0.0]
モデルパラメータの非識別性を特徴付けるためのデータ駆動型手法を提案する。
Diffusion Mapsとその拡張を利用することで、動的出力の振る舞いを特徴づけるために必要なパラメータの最小の組み合わせを発見する。
論文 参考訳（メタデータ） (2021-10-13T13:46:23Z) - Towards a Unified View of Parameter-Efficient Transfer Learning [108.94786930869473]
下流タスクにおける大規模事前学習言語モデルの微調整は、NLPにおけるデファクト学習パラダイムとなっている。
近年の研究では,少数の(外部)パラメータのみを微調整するだけで高い性能が得られるパラメータ効率の伝達学習法が提案されている。
我々は、最先端のパラメータ効率変換学習手法の設計を分解し、それらの相互接続を確立する統一的なフレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-08T20:22:26Z) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳（メタデータ） (2020-06-18T19:11:54Z) - Objective-Sensitive Principal Component Analysis for High-Dimensional
Inverse Problems [0.0]
本稿では,大規模乱数場の適応的,微分可能なパラメータ化手法を提案する。
開発した手法は主成分分析(PCA)に基づくが,目的関数の振る舞いを考慮した主成分の純粋にデータ駆動に基づく基礎を変更する。
最適パラメータ分解のための3つのアルゴリズムを2次元合成履歴マッチングの目的に適用した。
論文 参考訳（メタデータ） (2020-06-02T18:51:17Z)
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。