論文の概要: Deep surrogate accelerated delayed-acceptance HMC for Bayesian inference
of spatio-temporal heat fluxes in rotating disc systems
- arxiv url: http://arxiv.org/abs/2204.02272v2
- Date: Mon, 5 Jun 2023 14:59:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 05:33:42.229154
- Title: Deep surrogate accelerated delayed-acceptance HMC for Bayesian inference
of spatio-temporal heat fluxes in rotating disc systems
- Title(参考訳): 回転ディスク系における時空間熱フラックスのベイズ推定のためのディープサロゲート加速遅延受容HMC
- Authors: Teo Deveney, Eike Mueller, Tony Shardlow
- Abstract要約: 本稿では,PDEに基づく逆問題に対して,精度を保証して解法を高速化する手法を提案する。
これは、Biot数データとして知られる熱時間パラメータを推定する不適切な問題によって動機付けられている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a deep learning accelerated methodology to solve PDE-based
Bayesian inverse problems with guaranteed accuracy. This is motivated by the
ill-posed problem of inferring a spatio-temporal heat-flux parameter known as
the Biot number given temperature data, however the methodology is
generalisable to other settings. To accelerate Bayesian inference, we develop a
novel training scheme that uses data to adaptively train a neural-network
surrogate simulating the parametric forward model. By simultaneously
identifying an approximate posterior distribution over the Biot number, and
weighting a physics-informed training loss according to this, our approach
approximates forward and inverse solution together without any need for
external solves. Using a random Chebyshev series, we outline how to approximate
a Gaussian process prior, and using the surrogate we apply Hamiltonian Monte
Carlo (HMC) to sample from the posterior distribution. We derive convergence of
the surrogate posterior to the true posterior distribution in the Hellinger
metric as our adaptive loss approaches zero. Additionally, we describe how this
surrogate-accelerated HMC approach can be combined with traditional PDE solvers
in a delayed-acceptance scheme to a-priori control the posterior accuracy. This
overcomes a major limitation of deep learning-based surrogate approaches, which
do not achieve guaranteed accuracy a-priori due to their non-convex training.
Biot number calculations are involved in turbo-machinery design, which is
safety critical and highly regulated, therefore it is important that our
results have such mathematical guarantees. Our approach achieves fast mixing in
high dimensions whilst retaining the convergence guarantees of a traditional
PDE solver, and without the burden of evaluating this solver for proposals that
are likely to be rejected. Numerical results are given using real and simulated
data.
- Abstract(参考訳): 本稿では,PDEに基づくベイズ逆問題に対して,精度が保証された深層学習高速化手法を提案する。
これは、温度データに与えられたバイオット数として知られる時空間熱流パラメータを推定する不適切な問題によって動機づけられるが、他の設定に一般化できる。
ベイズ推定を高速化するために,パラメトリックフォワードモデルをシミュレートするニューラルネットワークサロゲートを適応的にトレーニングするための新しいトレーニングスキームを開発した。
ビオット数上の近似後続分布を同時に同定し,それに従って物理インフォームドトレーニング損失を重み付けすることにより,外部解を必要とせずに前方および逆解を同時に近似する。
ランダムなチェビシェフ級数を用いて、ガウス過程を事前に近似する方法を概説し、サロゲートを用いて後方分布からのサンプルにハミルトニアンモンテカルロ(hmc)を適用する。
我々は、我々の適応損失がゼロに近づくにつれて、ヘリンガー計量の真の後方分布へのサロゲートの収束を導出する。
さらに,このサロゲート加速 HMC アプローチを従来の PDE ソルバと組み合わせて,a-priori による後部精度の制御を行う方法についても述べる。
これは、非凸トレーニングのために保証された精度のa-prioriを達成できないディープラーニングベースのサロゲートアプローチの大きな制限を克服する。
バイオト数計算は, 安全性が重要であり, 高度に制御されたターボ機械設計に関係しているため, このような数学的保証が重要である。
提案手法は,従来のPDEソルバの収束保証を維持しつつ,高次元での高速な混合を実現する。
実データとシミュレーションデータを用いて数値計算を行う。
関連論文リスト
- Conformal Approach To Gaussian Process Surrogate Evaluation With
Coverage Guarantees [47.22930583160043]
適応型クロスコンフォーマル予測区間を構築する手法を提案する。
結果として生じる共形予測区間は、ベイズ的信頼性集合に類似した適応性のレベルを示す。
原子炉の蒸気発生器における閉鎖現象の高コスト・評価シミュレータのサロゲートモデリングの文脈において, 本手法の適用可能性を示す。
論文 参考訳(メタデータ) (2024-01-15T14:45:18Z) - Adaptive operator learning for infinite-dimensional Bayesian inverse
problems [8.672948020721945]
本研究では,局所的に精度の高いサロゲートを強制することによって,モデリングエラーを段階的に低減できる適応型演算子学習フレームワークを開発した。
UKIフレームワークを用いて線形の場合において厳密な収束を保証する。
その結果,逆精度を維持しながら計算コストを大幅に削減できることがわかった。
論文 参考訳(メタデータ) (2023-10-27T01:50:33Z) - Calibrating Neural Simulation-Based Inference with Differentiable
Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。
古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。
既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文 参考訳(メタデータ) (2023-10-20T10:20:45Z) - Provably Efficient Bayesian Optimization with Unbiased Gaussian Process
Hyperparameter Estimation [52.035894372374756]
目的関数の大域的最適値にサブ線形収束できる新しいBO法を提案する。
本手法では,BOプロセスにランダムなデータポイントを追加するために,マルチアームバンディット法 (EXP3) を用いる。
提案手法は, 様々な合成および実世界の問題に対して, 既存の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-06-12T03:35:45Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳(メタデータ) (2023-06-10T08:25:16Z) - Sharp Calibrated Gaussian Processes [58.94710279601622]
キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。
本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。
我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
論文 参考訳(メタデータ) (2023-02-23T12:17:36Z) - Scalable Bayesian Transformed Gaussian Processes [10.33253403416662]
ベイズ変換ガウシアン過程(BTG)モデルは、ワープされたガウシアン過程(WGP)と完全に相反するベイズ変換ガウシアン過程(BTG)モデルである。
本稿では,BTGを用いた計算の原理的,高速な手法を提案する。
我々のフレームワークは、高速モデル予測とモデル選択の両方を可能にするために、二重スパース二次規則、厳密な量子境界、ランク1行列代数を使用する。
論文 参考訳(メタデータ) (2022-10-20T02:45:10Z) - Posterior temperature optimized Bayesian models for inverse problems in
medical imaging [59.82184400837329]
本研究は, 医用画像における逆問題に対する非教師的ベイズ的アプローチである。
最適化後温度が精度の向上と不確実性評価に繋がることを示す。
ソースコードは calibrated.com/Cardio-AI/mfvi-dip-mia で公開されています。
論文 参考訳(メタデータ) (2022-02-02T12:16:33Z)
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。