論文の概要: On Integrating Prior Knowledge into Gaussian Processes for Prognostic Health Monitoring

• arxiv url: http://arxiv.org/abs/2206.08600v1
• Date: Fri, 17 Jun 2022 07:57:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-20 12:55:02.802969
• Title: On Integrating Prior Knowledge into Gaussian Processes for Prognostic Health Monitoring
• Title（参考訳）: 予測的健康モニタリングのためのガウス過程への事前知識の統合について
• Authors: Simon Pfingstl, Markus Zimmermann
• Abstract要約: 本稿では,ガウス過程の予測能力を向上する手法を提案する。 従来のデータから平均関数と共分散関数を導出することにより、事前知識を統合する。 本手法の適用性と有効性は, 疲労き裂進展, レーザ劣化, およびミリング機械摩耗データに適用可能である。
• 参考スコア（独自算出の注目度）: 1.7709450506466664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gaussian process regression is a powerful method for predicting states based on given data. It has been successfully applied for probabilistic predictions of structural systems to quantify, for example, the crack growth in mechanical structures. Typically, predefined mean and covariance functions are employed to construct the Gaussian process model. Then, the model is updated using current data during operation while prior information based on previous data is ignored. However, predefined mean and covariance functions without prior information reduce the potential of Gaussian processes. This paper proposes a method to improve the predictive capabilities of Gaussian processes. We integrate prior knowledge by deriving the mean and covariance functions from previous data. More specifically, we first approximate previous data by a weighted sum of basis functions and then derive the mean and covariance functions directly from the estimated weight coefficients. Basis functions may be either estimated or derived from problem-specific governing equations to incorporate physical information. The applicability and effectiveness of this approach are demonstrated for fatigue crack growth, laser degradation, and milling machine wear data. We show that well-chosen mean and covariance functions, like those based on previous data, significantly increase look-ahead time and accuracy. Using physical basis functions further improves accuracy. In addition, computation effort for training is significantly reduced.
• Abstract（参考訳）: ガウス過程回帰は与えられたデータに基づいて状態を予測する強力な方法である。 これは、例えば機械構造のひび割れ成長を定量化するために、構造系の確率論的予測に成功している。 通常、事前定義された平均と共分散関数を用いてガウス過程モデルを構築する。 そして、前のデータに基づく事前情報を無視しながら、動作中の現在のデータを用いてモデルを更新する。 しかし、事前情報を持たない事前定義された平均および共分散関数はガウス過程のポテンシャルを減少させる。 本稿では,ガウス過程の予測能力を向上する手法を提案する。 先行データから平均および共分散関数を導出することにより,事前知識を統合する。 具体的には,まず基礎関数の重み付き和で先行データを近似し,推定重み係数から直接平均と共分散関数を導出する。 基底関数は、物理情報を組み込む問題固有の支配方程式から推定または導出することができる。 本手法の適用性と有効性は, 疲労き裂進展, レーザ劣化, およびミリング機械摩耗データに適用可能である。 先行データにもとづく well-chosen 平均関数と共分散関数は, ルックアヘッド時間と精度が著しく向上することを示す。 物理基底関数の使用は精度をさらに向上させる。 さらに、トレーニングのための計算労力が大幅に削減される。

関連論文リスト

• Informed Spectral Normalized Gaussian Processes for Trajectory Prediction [0.0]
  本稿では,SNGPの正規化に基づく連続学習手法を提案する。 提案手法は確立された手法に基づいており,リハーサルメモリやパラメータ拡張を必要としない。 本研究では, 自律運転における軌道予測問題に対する情報SNGPモデルの適用について検討した。
  論文  参考訳（メタデータ） (2024-03-18T17:05:24Z)
• Quantum-Assisted Hilbert-Space Gaussian Process Regression [0.0]
  本稿では,ガウス過程回帰のための空間近似に基づく量子アルゴリズムを提案する。 本手法は,古典的基底関数展開と量子コンピューティング技術を組み合わせたものである。
  論文  参考訳（メタデータ） (2024-02-01T12:13:35Z)
• Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
  ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。 カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。 我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-09T03:55:09Z)
• Posterior and Computational Uncertainty in Gaussian Processes [52.26904059556759]
  ガウスのプロセスはデータセットのサイズとともに違法にスケールする。 多くの近似法が開発されており、必然的に近似誤差を導入している。 この余分な不確実性の原因は、計算が限られているため、近似後部を使用すると完全に無視される。 本研究では,観測された有限個のデータと有限個の計算量の両方から生じる組合せ不確実性を一貫した推定を行う手法の開発を行う。
  論文  参考訳（メタデータ） (2022-05-30T22:16:25Z)
• AutoIP: A United Framework to Integrate Physics into Gaussian Processes [15.108333340471034]
  あらゆる微分方程式をガウス過程に統合できる枠組みを提案する。 本手法は,シミュレーションと実世界の応用の両方において,バニラGPの改善を示す。
  論文  参考訳（メタデータ） (2022-02-24T19:02:14Z)
• Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
  我々はデータ拡張を選択するための便利な勾配法を開発した。 我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
  論文  参考訳（メタデータ） (2022-02-22T02:51:11Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)
• Real-Time Regression with Dividing Local Gaussian Processes [62.01822866877782]
  局所ガウス過程は、ガウス過程の回帰に基づく新しい、計算効率の良いモデリング手法である。 入力空間の反復的データ駆動分割により、実際にはトレーニングポイントの総数において、サブ線形計算複雑性が達成される。 実世界のデータセットに対する数値的な評価は、予測と更新の速度だけでなく、精度の点で他の最先端手法よりも有利であることを示している。
  論文  参考訳（メタデータ） (2020-06-16T18:43:31Z)
• Gaussian Process Boosting [13.162429430481982]
  ガウス過程と混合効果モデルを組み合わせた新しい手法を提案する。 シミュレーションおよび実世界のデータセットに対する既存手法と比較して予測精度が向上する。
  論文  参考訳（メタデータ） (2020-04-06T13:19:54Z)

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。