論文の概要: DeepAL for Regression Using $\epsilon$-weighted Hybrid Query Strategy
- arxiv url: http://arxiv.org/abs/2206.13298v1
- Date: Fri, 24 Jun 2022 14:38:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-03 12:05:58.910305
- Title: DeepAL for Regression Using $\epsilon$-weighted Hybrid Query Strategy
- Title（参考訳）: $\epsilon$-weighted Hybrid Query Strategyを用いた回帰のためのDeepAL
- Authors: Harsh Vardhan, Janos Sztipanovits
- Abstract要約: 能動学習(AL)法と深層学習(DL)法を組み合わせた新しいサンプリング手法を提案する。
我々はこのメソッドを$epsilon$-weighted hybrid query strategy(epsilon$-HQS)と呼ぶ。
実験による評価では, 他の試料選択法と比較してサロゲートの精度が向上した。
- 参考スコア（独自算出の注目度）: 0.799536002595393
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Designing an inexpensive approximate surrogate model that captures the
salient features of an expensive high-fidelity behavior is a prevalent approach
in design optimization. In recent times, Deep Learning (DL) models are being
used as a promising surrogate computational model for engineering problems.
However, the main challenge in creating a DL-based surrogate is to
simulate/label a large number of design points, which is time-consuming for
computationally costly and/or high-dimensional engineering problems. In the
present work, we propose a novel sampling technique by combining the active
learning (AL) method with DL. We call this method $\epsilon$-weighted hybrid
query strategy ($\epsilon$-HQS) , which focuses on the evaluation of the
surrogate at each learning iteration and provides an estimate of the failure
probability of the surrogate in the Design Space. By reusing already collected
training and test data, the learned failure probability guides the next
iteration's sampling process to the region of the high probability of failure.
During the empirical evaluation, better accuracy of the surrogate was observed
in comparison to other methods of sample selection. We empirically evaluated
this method in two different engineering design domains, finite element based
static stress analysis of submarine pressure vessel(computationally costly
process) and second submarine propeller design( high dimensional problem).
https://github.com/vardhah/epsilon_weighted_Hybrid_Query_Strategy
- Abstract（参考訳）: 高価な高忠実度挙動の健全な特徴をとらえる安価な近似サロゲートモデルを設計することは、設計最適化における一般的なアプローチである。
近年,Deep Learning (DL) モデルは工学的問題に対する有望な代理計算モデルとして利用されている。
しかし、dlベースのサーロゲートを作成する上での最大の課題は、多くの設計ポイントをシミュレート/ラベルすることである。
本研究では,アクティブラーニング(AL)手法とDLを組み合わせた新しいサンプリング手法を提案する。
我々はこの手法を$\epsilon$-weighted hybrid query strategy (\epsilon$-HQS)と呼び、各学習繰り返しにおけるサロゲートの評価に焦点を当て、設計空間におけるサロゲートの失敗確率を推定する。
既に収集したトレーニングとテストデータを再利用することにより、学習失敗確率は、次のイテレーションのサンプリングプロセスを、高い失敗確率の領域に導く。
実験による評価では, 他の試料選択法と比較してサロゲートの精度が向上した。
本手法は, 有限要素法に基づく圧力容器の静的応力解析(計算コスト過程)と第2潜水艦プロペラ設計(高次元問題)の2つの異なる工学的設計領域において実験的に評価した。
https://github.com/vardhah/epsilon_weighted_Hybrid_Query_Strategy
関連論文リスト
- Enhancing Polynomial Chaos Expansion Based Surrogate Modeling using a
Novel Probabilistic Transfer Learning Strategy [2.980666177064344]
ブラックボックスシミュレーションでは、非侵入型PCEは一連のシミュレーション応答評価を用いてサロゲートを構築することができる。
そこで我々は,類似のPCEサロゲート構築タスクを通じて得られた知識を新たなサロゲート構築タスクに転送することで,伝達学習を活用することを提案する。
論文 参考訳（メタデータ） (2023-12-07T19:16:42Z) - Dual Student Networks for Data-Free Model Stealing [79.67498803845059]
主な課題は、パラメータにアクセスせずにターゲットモデルの勾配を推定し、多様なトレーニングサンプルを生成することである。
そこで本研究では,2人の学生が左右対称に学習し,学生が反対するサンプルを生成するための基準を提案する。
我々の新しい最適化フレームワークは、目標モデルのより正確な勾配推定と、ベンチマーク分類データセットの精度向上を提供する。
論文 参考訳（メタデータ） (2023-09-18T18:11:31Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳（メタデータ） (2023-05-25T10:58:46Z) - Data efficient surrogate modeling for engineering design: Ensemble-free
batch mode deep active learning for regression [0.6021787236982659]
そこで本研究では,学生と教師の共用で,サロゲートモデルを学習するための,シンプルでスケーラブルな学習手法を提案する。
提案手法を用いることで,DBALやモンテカルロサンプリングのような他のベースラインと同レベルのサロゲート精度が得られる。
論文 参考訳（メタデータ） (2022-11-16T02:31:57Z) - Deep Learning-based FEA surrogate for sub-sea pressure vessel [0.799536002595393]
圧力容器には、浸水できない電子機器、電源、その他のセンサーが含まれている。
圧力容器設計の伝統的な設計手法は、複数の有限要素解析(FEA)ベースのシミュレーションを実行することである。
これらのFAAの実行は、任意の最適化プロセスに非常にコストがかかる。
より優れたアプローチは、FAAベースの予測を学習ベースの回帰器に置き換えることを目的としたサロゲート設計である。
論文 参考訳（メタデータ） (2022-06-06T00:47:10Z) - An Experimental Design Perspective on Model-Based Reinforcement Learning [73.37942845983417]
環境からの状態遷移を観察するのは費用がかかる。
標準RLアルゴリズムは通常、学習するために多くの観測を必要とする。
本稿では,マルコフ決定過程について,状態-作用対がどの程度の情報を提供するかを定量化する獲得関数を提案する。
論文 参考訳（メタデータ） (2021-12-09T23:13:57Z) - Breaking the Sample Complexity Barrier to Regret-Optimal Model-Free
Reinforcement Learning [52.76230802067506]
漸進的強化学習における後悔を最小限に抑えるために,新しいモデルフリーアルゴリズムを提案する。
提案アルゴリズムは、2つのQ-ラーニングシーケンスの助けを借りて、初期設定された参照更新ルールを用いる。
初期の分散還元法の設計原理は、他のRL設定とは独立した関心を持つかもしれない。
論文 参考訳（メタデータ） (2021-10-09T21:13:48Z) - Variational Inference with NoFAS: Normalizing Flow with Adaptive
Surrogate for Computationally Expensive Models [7.217783736464403]
マルコフ連鎖モンテカルロのようなサンプリングに基づくアプローチの使用は、それぞれの可能性評価が計算的に高価であるときに難解になる可能性がある。
変分推論と正規化フローを組み合わせた新しいアプローチは、潜在変数空間の次元と線形にしか成長しない計算コストによって特徴づけられる。
本稿では,ニューラルネットワークサロゲートモデルの正規化フローパラメータと重みを代わりに更新する最適化戦略である,適応サロゲートを用いた正規化フロー(NoFAS)を提案する。
論文 参考訳（メタデータ） (2021-08-28T14:31:45Z) - Local Latin Hypercube Refinement for Multi-objective Design Uncertainty
Optimization [0.5156484100374058]
本稿では,ロバスト設計最適化問題に対するサロゲートに基づく逐次サンプリング手法を提案する。
提案されたローカルラテンハイパーキューブ改善(LoLHR)戦略はモデルに依存しず、任意の代理モデルと組み合わせることができる。
LoLHRは、テスト済みの他のサロゲートベースの戦略と比較して平均的なより良い結果が得られる。
論文 参考訳（メタデータ） (2021-08-19T19:46:38Z) - An AI-Assisted Design Method for Topology Optimization Without
Pre-Optimized Training Data [68.8204255655161]
トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。
設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
論文 参考訳（メタデータ） (2020-12-11T14:33:27Z) - An Online Method for A Class of Distributionally Robust Optimization
with Non-Convex Objectives [54.29001037565384]
本稿では,オンライン分散ロバスト最適化(DRO)のクラスを解決するための実用的なオンライン手法を提案する。
本研究は,ネットワークの堅牢性向上のための機械学習における重要な応用を実証する。
論文 参考訳（メタデータ） (2020-06-17T20:19:25Z)
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。