論文の概要: Bayesian Neural Networks for Geothermal Resource Assessment: Prediction
with Uncertainty
- arxiv url: http://arxiv.org/abs/2209.15543v1
- Date: Fri, 30 Sep 2022 15:46:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 16:43:21.089689
- Title: Bayesian Neural Networks for Geothermal Resource Assessment: Prediction
with Uncertainty
- Title(参考訳): 地熱資源評価のためのベイズニューラルネットワーク:不確かさによる予測
- Authors: Stephen Brown, William L. Rodi, Chen Gu, Michael Fehler, James Faulds,
Connor M. Smith, and Sven Treitel
- Abstract要約: 地熱資源ポテンシャル評価への機械学習の適用について検討する。
教師付き学習問題は、アメリカ合衆国ネバダ州内の10の地質学的・物理的特徴の地図を用いて、広い地域にわたって地熱ポテンシャルを定義することで定義される。
我々は、比較的小さな正のトレーニングサイト(既知の資源や活力発電所)と負のトレーニングサイト(不適切な地熱条件のドリルサイト)を提供し、これらを使用して、この分類作業のために人工ニューラルネットワークを制約し、最適化しています。
- 参考スコア(独自算出の注目度): 1.0260880679794957
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the application of machine learning to the evaluation of
geothermal resource potential. A supervised learning problem is defined where
maps of 10 geological and geophysical features within the state of Nevada, USA
are used to define geothermal potential across a broad region. We have
available a relatively small set of positive training sites (known resources or
active power plants) and negative training sites (known drill sites with
unsuitable geothermal conditions) and use these to constrain and optimize
artificial neural networks for this classification task. The main objective is
to predict the geothermal resource potential at unknown sites within a large
geographic area where the defining features are known. These predictions could
be used to target promising areas for further detailed investigations. We
describe the evolution of our work from defining a specific neural network
architecture to training and optimization trials. Upon analysis we expose the
inevitable problems of model variability and resulting prediction uncertainty.
Finally, to address these problems we apply the concept of Bayesian neural
networks, a heuristic approach to regularization in network training, and make
use of the practical interpretation of the formal uncertainty measures they
provide.
- Abstract(参考訳): 地熱資源ポテンシャル評価への機械学習の適用について考察する。
教師付き学習問題は、アメリカ合衆国ネバダ州内の10の地質学的・物理的特徴の地図を用いて、広い地域にわたって地熱ポテンシャルを定義することで定義される。
我々は、比較的小さな正のトレーニングサイト(既知の資源や活性発電所)と負のトレーニングサイト(不適切な地熱条件を持つ既知のドリルサイト)を入手し、この分類タスクのために人工ニューラルネットワークの制約と最適化に使用しました。
主な目的は, 決定的特徴が知られている広い地域において, 未知の場所での地熱資源ポテンシャルの予測である。
これらの予測は、さらなる詳細な調査のために有望な分野を標的にすることができる。
特定のニューラルネットワークアーキテクチャの定義から、トレーニングと最適化トライアルまで、私たちの作業の進化について説明する。
解析すると、モデル変数の避けられない問題と予測の不確実性が明らかになる。
最後に,ネットワークトレーニングにおける正規化に対するヒューリスティックアプローチであるベイズニューラルネットワークの概念を適用し,それらが提供する形式的不確実性対策の実践的解釈を利用する。
関連論文リスト
- The Boundaries of Verifiable Accuracy, Robustness, and Generalisation in
Deep Learning [73.5095051707364]
経験的リスクを最小限に抑えるため,古典的な分布に依存しないフレームワークとアルゴリズムを検討する。
理想的な安定かつ正確なニューラルネットワークの計算と検証が極めて難しいタスク群が存在することを示す。
論文 参考訳(メタデータ) (2023-09-13T16:33:27Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-11-16T06:28:20Z) - Variational Bayes Deep Operator Network: A data-driven Bayesian solver
for parametric differential equations [0.0]
演算子学習のための変分ベイズDeepONet(VB-DeepONet)を提案する。
VB-DeepONetは、高次元後部分布を考慮した変分推論を用いる。
論文 参考訳(メタデータ) (2022-06-12T04:20:11Z) - Privacy-preserving machine learning with tensor networks [50.591267188664666]
テンソルネットワークアーキテクチャは、特にプライバシー保護機械学習に期待できる特性を持つことを示す。
まず、フィードフォワードニューラルネットワークに存在する新たなプライバシ脆弱性を説明し、それを合成および実世界のデータセットで説明する。
このような条件がテンソルネットワークアーキテクチャによって満たされていることを厳密に証明する。
論文 参考訳(メタデータ) (2022-02-24T19:04:35Z) - A Bayesian Deep Learning Approach to Near-Term Climate Prediction [12.870804083819603]
気候予測に対する補完的な機械学習に基づくアプローチを追求する。
特に,Densenetアーキテクチャのフィードフォワード畳み込みネットワークは,予測能力において,畳み込みLSTMよりも優れていることがわかった。
論文 参考訳(メタデータ) (2022-02-23T00:28:36Z) - A Survey of Uncertainty in Deep Neural Networks [39.68313590688467]
これは、ニューラルネットワークにおける不確実性推定に関心のある人に、幅広い概要と導入を提供することを目的としている。
最も重要な不確実性源を包括的に紹介し、再現可能なモデル不確実性への分離と、再現可能なデータ不確実性について述べる。
本稿では,ニューラルネットワークのキャリブレーションに対する様々な不確実性,アプローチ,既存のベースラインと実装の概要について論じる。
論文 参考訳(メタデータ) (2021-07-07T16:39:28Z) - Neural network interpretability for forecasting of aggregated renewable
generation [0.0]
太陽発電を予測するために集約されたプロシューマーが必要である。
本稿では,この問題を解決するために2つの解釈可能なニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2021-06-19T11:50:26Z) - A neural anisotropic view of underspecification in deep learning [60.119023683371736]
ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。
深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
論文 参考訳(メタデータ) (2021-04-29T14:31:09Z) - A Survey of Community Detection Approaches: From Statistical Modeling to
Deep Learning [95.27249880156256]
ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。
既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。
フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
論文 参考訳(メタデータ) (2021-01-03T02:32:45Z) - Uncertainty Estimation and Sample Selection for Crowd Counting [87.29137075538213]
予測された密度マップに関連する不確実性値とともに,群衆密度マップを予測できる画像に基づく群集カウント手法を提案する。
既存のクラウドカウント手法に比べて,提案手法の重要な利点は,予測の不確かさを定量化できることである。
サンプル選択戦略は、ソースドメイン上でトレーニングされたカウントネットワークをターゲットドメインに適応させるために必要なラベル付きデータの量を劇的に削減することを示す。
論文 参考訳(メタデータ) (2020-09-30T03:40:07Z) - Bayesian deep learning for mapping via auxiliary information: a new era
for geostatistics? [3.5450828190071655]
深層ニューラルネットワークが、ポイントサンプリング対象変数とグリッド化された補助変数の間の複雑な関係をいかに学習できるかを示す。
モンテカルロ・ドロップアウト (Monte Carlo dropout) として知られるベイズ近似を用いて不確実性の推定値を得る。
論文 参考訳(メタデータ) (2020-08-17T13:56:43Z)
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。