論文の概要: Laplace HypoPINN: Physics-Informed Neural Network for hypocenter
localization and its predictive uncertainty
- arxiv url: http://arxiv.org/abs/2205.14439v1
- Date: Sat, 28 May 2022 13:59:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-31 17:50:30.077924
- Title: Laplace HypoPINN: Physics-Informed Neural Network for hypocenter
localization and its predictive uncertainty
- Title（参考訳）: Laplace hypoPINN:低中心局所化のための物理インフォームドニューラルネットワークとその予測不確実性
- Authors: Muhammad Izzatullah, Isa Eren Yildirim, Umair Bin Waheed, Tariq
Alkhalifah
- Abstract要約: PINNに基づく低中心位置推定のための逆変換フレームワークを開発した。
本稿では,HypoPINNの重みと偏りのランダムな実現から不確かさの伝播を検討する。
- 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: Several techniques have been proposed over the years for automatic hypocenter
localization. While those techniques have pros and cons that trade-off
computational efficiency and the susceptibility of getting trapped in local
minima, an alternate approach is needed that allows robust localization
performance and holds the potential to make the elusive goal of real-time
microseismic monitoring possible. Physics-informed neural networks (PINNs) have
appeared on the scene as a flexible and versatile framework for solving partial
differential equations (PDEs) along with the associated initial or boundary
conditions. We develop HypoPINN -- a PINN-based inversion framework for
hypocenter localization and introduce an approximate Bayesian framework for
estimating its predictive uncertainties. This work focuses on predicting the
hypocenter locations using HypoPINN and investigates the propagation of
uncertainties from the random realizations of HypoPINN's weights and biases
using the Laplace approximation. We train HypoPINN to obtain the optimized
weights for predicting hypocenter location. Next, we approximate the covariance
matrix at the optimized HypoPINN's weights for posterior sampling with the
Laplace approximation. The posterior samples represent various realizations of
HypoPINN's weights. Finally, we predict the locations of the hypocenter
associated with those weights' realizations to investigate the uncertainty
propagation that comes from those realisations. We demonstrate the features of
this methodology through several numerical examples, including using the Otway
velocity model based on the Otway project in Australia.
- Abstract（参考訳）: 数年にわたり、自動低中心位置決めのためのいくつかの技術が提案されている。
これらの手法には, 局所最小値に閉じ込められるようなトレードオフ計算効率と受容性があるが, 頑健なローカライゼーション性能を実現し, リアルタイムマイクロサイスミックモニタリングの明確な目標を達成できる可能性を秘めている別のアプローチが必要である。
物理インフォームドニューラルネットワーク(PINN)は、関連する初期条件や境界条件とともに偏微分方程式(PDE)を解くフレキシブルで汎用的なフレームワークとして現場に現れた。
我々は,低心局在のためのpinnベースのインバージョンフレームワークであるhypopinnを開発し,その予測の不確かさを推定するための近似ベイズフレームワークを提案する。
本研究は、HypoPINNを用いた低中心位置の予測と、Laplace近似を用いて、HypoPINNの重みとバイアスのランダムな実現から不確かさの伝播を研究することに焦点を当てる。
位置予測に最適化された重み付けを得るために,我々はhypopinnを訓練する。
次に,ラプラス近似を用いて後方サンプリングを行うために最適化されたhyppinnの重みの共分散行列を近似する。
後部サンプルは、HypoPINNの重量の様々な実現を示している。
最後に、これらの重みの実現に伴う中心の位置を予測し、それらの実現から生じる不確実性伝播について検討する。
オーストラリアにおけるOtwayプロジェクトに基づくOtway速度モデルの利用など,いくつかの数値例を通して,本手法の特徴を実証する。
関連論文リスト
- Hessian-Free Laplace in Bayesian Deep Learning [44.16006844888796]
Hessian-free Laplace (HFL)近似は、その分散を推定するために、ログ後部とネットワーク予測の両方の曲率を使用する。
ベイズ深層学習におけるLAの標準的な仮定の下では、HFLはLAと同じ分散を目標とし、事前学習されたネットワークで効率よく再生可能であることを示す。
論文 参考訳（メタデータ） (2024-03-15T20:47:39Z) - 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) - Bayesian Reasoning for Physics Informed Neural Networks [0.0]
ベイジアン定式化における物理インフォームドニューラルネットワーク(PINN)の応用について述べる。
それぞれのモデルまたは適合について、エビデンスを計算し、仮説を分類する尺度である。
ベイズフレームワークでは、境界と方程式の間の相対重みが全体の損失に寄与していることが示されている。
論文 参考訳（メタデータ） (2023-08-25T07:38:50Z) - Neural Importance Sampling for Rapid and Reliable Gravitational-Wave
Inference [59.040209568168436]
まず、ニューラルネットワークを用いてベイズ後部への高速な提案を行い、その基礎となる可能性と事前に基づいて重み付けを行う。
本発明は,(1)ネットワーク不正確性のない修正後部,(2)提案案の評価と故障事例の同定のための性能診断(サンプル効率),(3)ベイズ証拠の偏りのない推定を提供する。
LIGOとVirgoで観測された42個のブラックホールをSEOBNRv4PHMとIMRPhenomHMXP波形モデルで解析した。
論文 参考訳（メタデータ） (2022-10-11T18:00:02Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - Quantifying Model Predictive Uncertainty with Perturbation Theory [21.591460685054546]
本稿では,ニューラルネットワークの予測不確実性定量化のためのフレームワークを提案する。
量子物理学の摂動理論を用いてモーメント分解問題を定式化する。
我々の手法は、より高精度でキャリブレーションの高い高速なモデル予測不確実性推定を提供する。
論文 参考訳（メタデータ） (2021-09-22T17:55:09Z) - Sampling-free Variational Inference for Neural Networks with
Multiplicative Activation Noise [51.080620762639434]
サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。
提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
論文 参考訳（メタデータ） (2021-03-15T16:16:18Z) - A Kernel Framework to Quantify a Model's Local Predictive Uncertainty
under Data Distributional Shifts [21.591460685054546]
訓練されたニューラルネットワークの内部層出力は、そのマッピング機能と入力データ分布の両方に関連するすべての情報を含む。
生予測空間のPDFを明示的に推定する訓練ニューラルネットワークの予測不確実性定量化のためのフレームワークを提案する。
カーネルフレームワークは、モデル予測エラーを検出する能力に基づいて、はるかに精度の高いモデル不確実性推定を提供する。
論文 参考訳（メタデータ） (2021-03-02T00:31:53Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Continuous Wasserstein-2 Barycenter Estimation without Minimax
Optimization [94.18714844247766]
ワッサーシュタイン・バリセンターは、最適輸送に基づく確率測度の重み付き平均の幾何学的概念を提供する。
本稿では,Wasserstein-2 バリセンタのサンプルアクセスを演算するスケーラブルなアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-02T21:01:13Z) - HypoSVI: Hypocenter inversion with Stein variational inference and
Physics Informed Neural Networks [6.102077733475759]
定常変動を考慮した分散音響インバージョン方式を提案する。
我々のアプローチは、ニューラルネットワークの形で微分可能なフォワードモデルを用いる。
ディファレンシャルタイムの数で需要が効率的に拡大していることを示します。
論文 参考訳（メタデータ） (2021-01-09T01:56:48Z)
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。