論文の概要: Deep Monte Carlo Quantile Regression for Quantifying Aleatoric Uncertainty in Physics-informed Temperature Field Reconstruction

• arxiv url: http://arxiv.org/abs/2202.06596v1
• Date: Mon, 14 Feb 2022 10:36:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-16 02:35:38.220229
• Title: Deep Monte Carlo Quantile Regression for Quantifying Aleatoric Uncertainty in Physics-informed Temperature Field Reconstruction
• Title（参考訳）: 物理インフォームド温度場再構成におけるアレタリック不確かさの定量化のためのDeep Monte Carlo Quantile Regression
• Authors: Xiaohu Zheng, Wen Yao, Zhiqiang Gong, Yunyang Zhang, Xiaoyu Zhao, Tingsong Jiang
• Abstract要約: 本稿では,温度場を再構成するディープMC-QR(Deep MC-QR)法を提案する。 一方,Deep MC-QR法は物理知識を用いてCNNのトレーニングを指導する。 一方、Deep MC-QR法は、各トレーニングエポックにおける各入力に対する量子レベル画像を構築する。
• 参考スコア（独自算出の注目度）: 8.98674326282801
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: For the temperature field reconstruction (TFR), a complex image-to-image regression problem, the convolutional neural network (CNN) is a powerful surrogate model due to the convolutional layer's good image feature extraction ability. However, a lot of labeled data is needed to train CNN, and the common CNN can not quantify the aleatoric uncertainty caused by data noise. In actual engineering, the noiseless and labeled training data is hardly obtained for the TFR. To solve these two problems, this paper proposes a deep Monte Carlo quantile regression (Deep MC-QR) method for reconstructing the temperature field and quantifying aleatoric uncertainty caused by data noise. On the one hand, the Deep MC-QR method uses physical knowledge to guide the training of CNN. Thereby, the Deep MC-QR method can reconstruct an accurate TFR surrogate model without any labeled training data. On the other hand, the Deep MC-QR method constructs a quantile level image for each input in each training epoch. Then, the trained CNN model can quantify aleatoric uncertainty by quantile level image sampling during the prediction stage. Finally, the effectiveness of the proposed Deep MC-QR method is validated by many experiments, and the influence of data noise on TFR is analyzed.
• Abstract（参考訳）: 複雑な画像から画像への回帰問題である温度場再構成(tfr)に対して、畳み込みニューラルネットワーク(cnn)は畳み込み層の良好な画像特徴抽出能力のため強力な代理モデルである。 しかし、CNNのトレーニングにはラベル付きデータが多く必要であり、一般的なCNNはデータノイズによるアレータリック不確実性を定量化できない。 実際の工学では、TFRではノイズレスおよびラベル付きトレーニングデータはほとんど得られない。 そこで本研究では,この2つの問題を解決するために,温度場を再構成し,データノイズによるアレテータの不確かさを定量化するための深モンテカルロ量子化回帰法(deep mc-qr法)を提案する。 一方,Deep MC-QR法は物理知識を用いてCNNのトレーニングを指導する。 これにより、ラベル付きトレーニングデータなしで正確なtfrサロゲートモデルを構築することができる。 一方、Deep MC-QR法は、各トレーニングエポックにおける各入力に対する量子レベル画像を構築する。 そして、トレーニングされたCNNモデルは、予測段階における量子レベル画像サンプリングにより、アレタリック不確実性を定量化することができる。 最後に,提案手法の有効性を多くの実験により検証し,データノイズがTFRに与える影響を解析した。

関連論文リスト

• Scalable Bayesian uncertainty quantification with data-driven priors for radio interferometric imaging [5.678038945350452]
  次世代の電波干渉計は、前例のない角分解能と感度のおかげで、科学的発見を解き放つ可能性がある。 潜在的な可能性を解き放つ鍵の1つは、受信データの希薄さと複雑さを扱うことである。 本研究では,ラジオインターフェロメトリイメージングにおける不確実性定量化に対処するQuantifAIという手法を提案する。
  論文  参考訳（メタデータ） (2023-11-30T19:00:02Z)
• Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
  拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。 既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。 本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
  論文  参考訳（メタデータ） (2023-11-20T08:27:56Z)
• Deep learning based sferics recognition for AMT data processing in the dead band [5.683853455697258]
  AMT (Audio magnetotellurics) 音波データ処理では、ある時間帯における干渉信号の欠如は、一般的にATTデッドバンドのエネルギー不足をもたらす。 本稿では,長期にわたって冗長に記録されたデータからスフェリック信号を自動的に認識するディープ畳み込みニューラルネットワーク(CNN)を提案する。 本手法はS/Nを大幅に改善し, デッドバンドのエネルギー不足を効果的に解決する。
  論文  参考訳（メタデータ） (2022-09-22T02:31:28Z)
• Distributional loss for convolutional neural network regression and application to GNSS multi-path estimation [0.0]
  本研究では,畳み込みニューラルネットワークを用いて画像から高次特徴表現を抽出する。 本手法の評価と説明のために,GNSS(Global Navigation Satellite System)マルチパス推定に適用した。 その結果, 分散損失を用いたソフトラベリングCNN手法は, 全ての条件下での古典的CNN回帰よりも優れていた。
  論文  参考訳（メタデータ） (2022-06-03T09:45:12Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Physics-Informed Deep Monte Carlo Quantile Regression method for Interval Multilevel Bayesian Network-based Satellite Heat Reliability Analysis [6.339013443225807]
  提案手法は、深部畳み込みニューラルネットワークと既知の物理知識を組み合わせて、正確な温度場を再構築する。 本論文は、再構成された温度場と定量化アレタリック不確実性に基づいて、衛星熱の信頼性を解析するための間隔多レベルベイズネットワークをモデル化する。
  論文  参考訳（メタデータ） (2022-02-14T16:43:41Z)
• A Plug-and-Play Approach to Multiparametric Quantitative MRI: Image Reconstruction using Pre-Trained Deep Denoisers [4.910318162000904]
  本稿では,先進的獲得プロセスに適応したMDFに対する反復的深層学習再構築手法を提案する。 CNNデノイザモデルは、異なるサブサンプリングパターンを持つ2つの模擬取得プロセスでテストされる。 以上の結果から, 買収方式と組織量的バイオプロパティの正確なマッピングに対する一貫した除去性能が示された。
  論文  参考訳（メタデータ） (2022-02-10T09:35:25Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
  我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。 我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。 私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
  論文  参考訳（メタデータ） (2020-11-17T12:52:18Z)
• RIFLE: Backpropagation in Depth for Deep Transfer Learning through Re-Initializing the Fully-connected LayEr [60.07531696857743]
  事前訓練されたモデルを用いたディープ畳み込みニューラルネットワーク(CNN)の微調整は、より大きなデータセットから学習した知識をターゲットタスクに転送するのに役立つ。 転送学習環境におけるバックプロパゲーションを深める戦略であるRIFLEを提案する。 RIFLEは、深いCNN層の重み付けに意味のあるアップデートをもたらし、低レベルの機能学習を改善する。
  論文  参考訳（メタデータ） (2020-07-07T11:27:43Z)
• Frequentist Uncertainty in Recurrent Neural Networks via Blockwise Influence Functions [121.10450359856242]
  リカレントニューラルネットワーク(RNN)は、シーケンシャルおよび時系列データのモデリングに有効である。 RNNにおける既存の不確実性定量化のアプローチは、主にベイズ法に基づいている。 a)モデルトレーニングに干渉せず、その精度を損なうことなく、(b)任意のRNNアーキテクチャに適用し、(c)推定不確かさ間隔に関する理論的カバレッジ保証を提供する。
  論文  参考訳（メタデータ） (2020-06-20T22:45:32Z)

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。