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
- Learning to Simulate: Generative Metamodeling via Quantile Regression [2.2518304637809714]
我々は「シミュレーターの高速シミュレータ」を構築することを目的とした、生成メタモデリングと呼ばれる新しいメタモデリング概念を提案する。
一度構築すると、生成メタモデルは入力が特定されるとすぐに大量のランダム出力を生成することができる。
本稿では,QRGMM(quantile-regression-based generative metamodeling)という新しいアルゴリズムを提案し,その収束率と収束率について検討する。
論文 参考訳(メタデータ) (2023-11-29T16:46:24Z) - Understanding Parameter Sharing in Transformers [53.75988363281843]
トランスフォーマーに関するこれまでの研究は、異なるレイヤでパラメータを共有することに集中しており、モデルの深さを増大させることで、限られたパラメータを持つモデルの性能を向上させることができる。
このアプローチの成功は, モデル複雑性の増加により, ごく一部に過ぎず, 収束性の向上に大きく寄与することを示す。
8つの機械翻訳タスクの実験結果から,パラメータ共有モデルのモデル複雑性を半分に抑えて,我々のモデルが競合性能を達成することが示された。
論文 参考訳(メタデータ) (2023-06-15T10:48:59Z) - Copulaboost: additive modeling with copula-based model components [0.0]
本稿では,ペアコプラ構造に基づくモデル成分を用いた一般化加法モデルを提案する。
提案手法は,他の手法よりも優れている,あるいは同等の予測性能を有することを示す。
論文 参考訳(メタデータ) (2022-08-09T11:24:57Z) - 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) - Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。
本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
論文 参考訳(メタデータ) (2022-03-23T12:52:49Z) - 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) - 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) - Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。
アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。
ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
論文 参考訳(メタデータ) (2020-02-20T10:50:58Z)
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。