論文の概要: Parameterized Consistency Learning-based Deep Polynomial Chaos Neural Network Method for Reliability Analysis in Aerospace Engineering

• arxiv url: http://arxiv.org/abs/2203.15655v1
• Date: Tue, 29 Mar 2022 15:15:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-30 19:10:13.272815
• Title: Parameterized Consistency Learning-based Deep Polynomial Chaos Neural Network Method for Reliability Analysis in Aerospace Engineering
• Title（参考訳）: パラメータ付き一貫性学習に基づく深層多相カオスニューラルネットワークによる航空宇宙工学の信頼性解析
• Authors: Xiaohu Zheng, Wen Yao, Yunyang Zhang, Xiaoya Zhang
• Abstract要約: ポリノミアルカオス展開(PCE)は航空宇宙工学における強力な代理モデル信頼性解析手法である。 そこで本研究では,パラメータ化された一貫性学習に基づく深層カオスニューラルネットワーク(Deep PCNN)手法を提案する。 Deep PCNN法は、高次PCEモデルを構築する際のトレーニングデータコストを大幅に削減することができる。
• 参考スコア（独自算出の注目度）: 3.541245871465521
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Polynomial chaos expansion (PCE) is a powerful surrogate model-based reliability analysis method in aerospace engineering. Generally, a PCE model with a higher expansion order is usually required to obtain an accurate surrogate model for some non-linear complex stochastic systems. However, the high-order PCE increases the labeled training data cost for solving the expansion coefficients. To alleviate this problem, this paper proposes a parameterized consistency learning-based deep polynomial chaos neural network (Deep PCNN) method, including the low-order adaptive PCE model (the auxiliary model) and the high-order polynomial chaos neural network (the main model). The expansion coefficients of the high-order main model are parameterized into the learnable weights of the polynomial chaos neural network. The auxiliary model uses a proposed unsupervised consistency loss function to assist in training the main model. The Deep PCNN method can significantly reduce the training data cost in constructing a high-order PCE model without losing surrogate model accuracy by using a small amount of labeled data and many unlabeled data. A numerical example validates the effectiveness of the Deep PCNN method, and the Deep PCNN method is applied to analyze the reliability of two aerospace engineering systems.
• Abstract（参考訳）: ポリノミアルカオス展開(PCE)は航空宇宙工学における強力な代理モデルに基づく信頼性解析手法である。 一般に、拡張順序の高いPCEモデルは、通常、非線形複素確率系の正確な代理モデルを得るために必要である。 しかし、高次PCEは、拡張係数を解くためのラベル付きトレーニングデータコストを増加させる。 本稿では,この問題を解決するために,低次適応pceモデル(補助モデル)と高次多項式カオスニューラルネットワーク(主モデル)を含む,パラメタライズド一貫性学習に基づく深部多項式カオスニューラルネットワーク(deep pcnn)法を提案する。 高次主モデルの拡張係数は、多項式カオスニューラルネットワークの学習可能な重みにパラメータ化される。 補助モデルは、主モデルのトレーニングを支援するために提案されている教師なし一貫性損失関数を使用する。 Deep PCNN法は,少数のラベル付きデータと多数のラベル付きデータを用いて,サロゲートモデルの精度を損なうことなく,高次PCEモデルを構築する際のトレーニングデータコストを大幅に削減することができる。 数値的な例はDeep PCNN法の有効性を検証し、Deep PCNN法を適用して2つの航空宇宙工学システムの信頼性を解析する。

関連論文リスト

• Transfer Learning on Multi-Dimensional Data: A Novel Approach to Neural Network-Based Surrogate Modeling [0.0]
  畳み込みニューラルネットワーク(CNN)はそのようなサロゲートモデルの基礎として人気を集めている。 本稿では,$d$次元問題と$d-1$次元近似の両方に対する数値解の混合によるCNN代理モデルのトレーニングを提案する。 転送学習を用いて,2種類のデータに対して,高密度な完全畳み込みエンコーダ・デコーダCNNを学習する多相フローテスト問題に対するアプローチを実証する。
  論文  参考訳（メタデータ） (2024-10-16T05:07:48Z)
• Towards a Better Theoretical Understanding of Independent Subnetwork Training [56.24689348875711]
  独立サブネットワークトレーニング(IST)の理論的考察 ISTは、上記の問題を解決するための、最近提案され、非常に効果的である。 圧縮通信を用いた分散手法など,ISTと代替手法の基本的な違いを同定する。
  論文  参考訳（メタデータ） (2023-06-28T18:14:22Z)
• Training Deep Surrogate Models with Large Scale Online Learning [48.7576911714538]
  ディープラーニングアルゴリズムは、PDEの高速解を得るための有効な代替手段として登場した。 モデルは通常、ソルバによって生成された合成データに基づいてトレーニングされ、ディスクに格納され、トレーニングのために読み返される。 ディープサロゲートモデルのためのオープンソースのオンライントレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-28T12:02:27Z)
• Evaluation of machine learning architectures on the quantification of epistemic and aleatoric uncertainties in complex dynamical systems [0.0]
  不確実量化(英: Uncertainty Quantification、UQ)は、モデル誤差の自己評価値である。 ガウス過程とファミリーUQ強化ニューラルネットワークの両方を含む機械学習技術について検討する。 検証データ上の正規化残差の分布と推定不確かさの分布の2つの指標を用いて,UQ精度(モデル精度とは異なる)を評価する。
  論文  参考訳（メタデータ） (2023-06-27T02:35:25Z)
• Mini-data-driven Deep Arbitrary Polynomial Chaos Expansion for Uncertainty Quantification [9.586968666707529]
  本稿では,サロゲートモデルの精度とトレーニングデータコストのバランスを改善するために,ディープ・任意のカオス展開(Deep aPCE)手法を提案する。 4つの数値例と実際の工学的問題を用いて,Deep aPCE法の有効性を検証する。
  論文  参考訳（メタデータ） (2021-07-22T02:49:07Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
  Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。 まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2021-04-11T16:37:32Z)
• Latent Space Data Assimilation by using Deep Learning [0.0]
  データ同化(DA)を低コストで行うことは、地球系のモデリングにおいて主要な関心事である。 daフレームワークにディープラーニング(dl)メソッドを組み込んでいます。 本稿では,オートエンコーダ(AE)による潜時構造を利用して,モデル誤差(ETKF-Q)を潜時空間に有するEnsemble Transform Kalman Filterを設計する。
  論文  参考訳（メタデータ） (2021-04-01T12:25:55Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
  最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。 このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
  論文  参考訳（メタデータ） (2020-03-13T13:11:35Z)

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。