論文の概要: Siamese neural networks for a generalized, quantitative comparison of
complex model outputs
- arxiv url: http://arxiv.org/abs/2208.06530v1
- Date: Fri, 12 Aug 2022 23:39:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-16 14:16:34.656925
- Title: Siamese neural networks for a generalized, quantitative comparison of
complex model outputs
- Title（参考訳）: siameseニューラルネットワークによる複素モデル出力の一般化, 定量的比較
- Authors: Colin G. Cess and Stacey D. Finley
- Abstract要約: 私たちは、モデルシミュレーションを単一の値として比較するために、Siameseニューラルネットワークを使用します。
トレーニングされたネットワークがモデル出力の全体的比較にどのように使用できるかを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Computational models are quantitative representations of systems. By
analyzing and comparing the outputs of such models, it is possible to gain a
better understanding of the system itself. Though, as the complexity of model
outputs increases, it becomes increasingly difficult to compare simulations to
each other. While it is straightforward to only compare a few specific model
outputs across multiple simulations, it is more informative to be able to
compare model simulations as a whole. However, it is difficult to holistically
compare model simulations in an unbiased manner. To address these limitations,
we use Siamese neural networks to compare model simulations as a single value,
with the neural networks capturing the relationships between the model outputs.
We provide an approach to training Siamese networks on model simulations and
display how the trained networks can then be used to provide a holistic
comparison of model outputs. This approach can be applied to a wide range of
model types, providing a quantitative method of analyzing the complex outputs
of computational models.
- Abstract（参考訳）: 計算モデルはシステムの定量的表現である。
このようなモデルの出力を分析して比較することにより、システム自体をよりよく理解することができる。
しかし、モデル出力の複雑さが増大するにつれて、シミュレーションを互いに比較することがますます困難になる。
複数のシミュレーションでいくつかのモデル出力を比較するのは簡単だが、モデルシミュレーション全体を比較することはより有益である。
しかし、モデルシミュレーションをバイアスのない方法で全体比較することは困難である。
これらの制限に対処するために、モデルシミュレーションを1つの値として比較するために、シアムニューラルネットワークを使用し、モデル出力間の関係をキャプチャするニューラルネットワークを使用する。
モデルシミュレーションにおけるシームズネットワークのトレーニング手法を提供し、モデル出力の全体的比較を行うためにトレーニングされたネットワークをどのように使用できるかを示す。
このアプローチは幅広いモデルタイプに適用でき、計算モデルの複雑な出力を分析する定量的な方法を提供する。
関連論文リスト
- Transferable Post-training via Inverse Value Learning [83.75002867411263]
別個のニューラルネットワーク(すなわち値ネットワーク)を用いた後学習におけるロジットレベルのモデリング変更を提案する。
このネットワークをデモを使って小さなベースモデルでトレーニングした後、推論中に他のトレーニング済みモデルとシームレスに統合することができる。
得られた値ネットワークは、パラメータサイズの異なる事前学習されたモデル間で広い転送性を有することを示す。
論文 参考訳（メタデータ） (2024-10-28T13:48:43Z) - Learnable & Interpretable Model Combination in Dynamical Systems Modeling [0.0]
この研究は、動的システムモデリングにおいて、どのタイプのモデルが通常結合されるかを簡単に議論する。
本稿では,混合代数的,離散的,微分方程式に基づくモデルを表現可能なモデルのクラスを提案する。
最後に,モデルの任意の組み合わせを,容易に解釈可能な方法で記述できる新しいワイルドカードアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-06-12T11:17:11Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Nonparametric likelihood-free inference with Jensen-Shannon divergence
for simulator-based models with categorical output [1.4298334143083322]
シミュレータに基づく統計モデルに対する自由な推論は、機械学習と統計のコミュニティの両方において、関心の高まりを招いている。
本稿では、Jensen-Shannon- divergenceの計算特性を用いて、モデルパラメータに対する推定、仮説テスト、信頼区間の構築を可能にする理論的結果のセットを導出する。
このような近似はより集中的なアプローチの素早い代替手段であり、シミュレーターベースモデルの多種多様な応用には魅力的である。
論文 参考訳（メタデータ） (2022-05-22T18:00:13Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳（メタデータ） (2021-07-07T11:17:09Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳（メタデータ） (2020-10-25T18:51:15Z) - Using Machine Learning to Emulate Agent-Based Simulations [0.0]
エージェントベースモデル(ABM)解析に用いる統計エミュレータとして,複数の機械学習手法の性能評価を行った。
エージェントベースのモデリングは、モデルに対するより堅牢な感度解析を容易にするため、エミュレーションに機械学習を用いる利点がある。
論文 参考訳（メタデータ） (2020-05-05T11:48:36Z) - Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。
提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。
提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2020-04-22T15:15:46Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳（メタデータ） (2020-03-04T00:44:57Z) - Pattern Similarity-based Machine Learning Methods for Mid-term Load
Forecasting: A Comparative Study [0.0]
パターン類似性に基づく年次電力需要予測手法について検討した。
モデルの不可欠な部分は、時系列シーケンスのパターンを用いた時系列表現である。
近接モデル,ファジィ近傍モデル,カーネル回帰モデル,一般回帰ニューラルネットワークの4つのモデルを考える。
論文 参考訳（メタデータ） (2020-03-03T12:14:36Z)
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。