論文の概要: Neural Message Passing for Objective-Based Uncertainty Quantification
and Optimal Experimental Design
- arxiv url: http://arxiv.org/abs/2203.07120v1
- Date: Mon, 14 Mar 2022 14:08:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-15 17:12:04.089609
- Title: Neural Message Passing for Objective-Based Uncertainty Quantification
and Optimal Experimental Design
- Title（参考訳）: 客観的不確実性定量化のためのニューラルメッセージパッシングと最適実験設計
- Authors: Qihua Chen, Hyun-Myung Woo, Xuejin Chen, Byung-Jun Yoon
- Abstract要約: 本研究は,MOCUによる効率的な客観UQのためのモデルの設計を,初めて実証するものである。
代理モデルにニューラルメッセージパッシングモデルを適用し, 推定システムの不確実性の増加を罰する新しい公理的制約損失を取り入れた。
提案手法は,MOCUをベースとしたOEDを4～5桁の精度で高速化する。
- 参考スコア（独自算出の注目度）: 15.692012868181635
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-world scientific or engineering applications often involve mathematical
modeling of complex uncertain systems with a large number of unknown
parameters. The complexity of such systems, and the enormous uncertainties
therein, typically make accurate model identification from the available data
infeasible. In such cases, it is desirable to represent the model uncertainty
in a Bayesian paradigm, based on which we can design robust operators that
maintain the best overall performance across all possible models and design
optimal experiments that can effectively reduce uncertainty to maximally
enhance the performance of such operators. While objective-based uncertainty
quantification (objective-UQ) based on MOCU (mean objective cost of
uncertainty) has been shown to provide effective means for quantifying and
handling uncertainty in complex systems, a major drawback has been the high
computational cost of estimating MOCU. In this work, we demonstrate for the
first time that one can design accurate surrogate models for efficient
objective-UQ via MOCU based on a data-driven approach. We adopt a neural
message passing model for surrogate modeling, which incorporates a novel
axiomatic constraint loss that penalizes an increase in the estimated system
uncertainty. As an illustrative example, we consider the optimal experimental
design (OED) problem for uncertain Kuramoto models, where the goal is to
predict the experiments that can most effectively enhance the robust
synchronization performance through uncertainty reduction. Through quantitative
performance assessment, we show that our proposed approach can accelerate
MOCU-based OED by four to five orders of magnitude, virtually without any
visible loss of performance compared to the previous state-of-the-art. The
proposed approach can be applied to general OED tasks, beyond the Kuramoto
model.
- Abstract（参考訳）: 実世界の科学や工学の応用は、多くの未知のパラメータを持つ複雑な不確定システムの数学的モデリングを伴うことが多い。
このようなシステムの複雑さと膨大な不確実性は、一般に利用可能なデータから正確なモデル識別を不可能にする。
このような場合、すべての可能なモデルで最高の性能を維持するロバストな演算子を設計でき、不確かさを効果的に低減し、そのような演算子のパフォーマンスを最大に向上させる最適な実験を設計できるベイズパラダイムにおいて、モデルの不確実性を表現することが望ましい。
目的ベース不確実性定量化(目的ベース不確実性定量化: Objective-UQ, Objective-UQ)は, 複雑なシステムにおける不確実性の定量化と処理に有効な手段であることが示されている。
本研究は,データ駆動アプローチに基づいて,MOCUによる効率的な客観UQのための正確なサロゲートモデルを設計できることを初めて実証する。
本研究では,推定されたシステムの不確かさの増加を罰する新しい公理的制約損失を組み込んだ,サロゲートモデリングのためのニューラルメッセージパッシングモデルを採用する。
例示として,不確実性低減によりロバスト同期性能を最も効果的に向上できる実験を予測することを目的とした,不確実性倉本モデルにおける最適実験設計(oed)問題を考える。
定量的な性能評価により,提案手法はMOCUベースのOEDを4～5桁の精度で高速化できることを示す。
提案手法は倉本モデルを超えた一般OEDタスクに適用可能である。
関連論文リスト
- QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。
QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。
例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
論文 参考訳（メタデータ） (2023-11-06T00:21:44Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳（メタデータ） (2023-09-02T11:01:16Z) - Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。
本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。
新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
論文 参考訳（メタデータ） (2023-07-19T12:11:15Z) - Quantifying uncertainty for deep learning based forecasting and
flow-reconstruction using neural architecture search ensembles [0.8258451067861933]
本稿では,ディープニューラルネットワーク(DNN)の自動検出手法を提案するとともに,アンサンブルに基づく不確実性定量化にも有効であることを示す。
提案手法は,タスクの高パフォーマンスニューラルネットワークアンサンブルを検出するだけでなく,不確実性をシームレスに定量化する。
本研究では, 歴史的データからの予測と, 海面温度のスパースセンサからのフロー再構成という2つの課題に対して, この枠組みの有効性を実証する。
論文 参考訳（メタデータ） (2023-02-20T03:57:06Z) - When Demonstrations Meet Generative World Models: A Maximum Likelihood
Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。
タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
論文 参考訳（メタデータ） (2023-02-15T04:14:20Z) - A Learning-Based Optimal Uncertainty Quantification Method and Its
Application to Ballistic Impact Problems [1.713291434132985]
本稿では、入力(または事前)測度が部分的に不完全であるシステムに対する最適(最大および無限)不確実性境界について述べる。
本研究では,不確実性最適化問題に対する学習基盤の枠組みを実証する。
本手法は,工学的実践における性能証明と安全性のためのマップ構築に有効であることを示す。
論文 参考訳（メタデータ） (2022-12-28T14:30:53Z) - On Efficient Uncertainty Estimation for Resource-Constrained Mobile
Applications [0.0]
予測の不確実性は、モデル予測を補完し、下流タスクの機能を改善します。
Axolotlフレームワークを用いてモンテカルロ・ドロップアウト(MCDO)モデルを構築することでこの問題に対処する。
我々は,(1)CIFAR10データセットを用いた多クラス分類タスク,(2)より複雑な人体セグメンテーションタスクについて実験を行った。
論文 参考訳（メタデータ） (2021-11-11T22:24:15Z) - Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。
本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。
アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
論文 参考訳（メタデータ） (2021-04-08T08:50:44Z) - Offline Model-Based Optimization via Normalized Maximum Likelihood
Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。
この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。
我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文 参考訳（メタデータ） (2021-02-16T06:04:27Z)
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。