論文の概要: Combined Data and Deep Learning Model Uncertainties: An Application to
the Measurement of Solid Fuel Regression Rate
- arxiv url: http://arxiv.org/abs/2210.14287v2
- Date: Sat, 18 Mar 2023 14:39:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 02:34:56.344129
- Title: Combined Data and Deep Learning Model Uncertainties: An Application to
the Measurement of Solid Fuel Regression Rate
- Title（参考訳）: 混合データと深層学習モデルの不確かさ:固体燃料の回帰速度測定への応用
- Authors: Georgios Georgalis, Kolos Retfalvi, Paul E. DesJardin, and Abani Patra
- Abstract要約: 複雑な物理過程のキャラクタリゼーションでは、観測データと使用するモデルの両方が複数のソースから派生した不確実性を持っている。
本稿では,観測された回帰率の確率分布を生成するために,前方伝播不確実性定量化プロセスを提案する。
本研究の主な貢献は、実験画像データの不確実性の調査と包括性であり、ワークフローに組み込む方法である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In complex physical process characterization, such as the measurement of the
regression rate for solid hybrid rocket fuels, where both the observation data
and the model used have uncertainties originating from multiple sources,
combining these in a systematic way for quantities of interest(QoI) remains a
challenge. In this paper, we present a forward propagation uncertainty
quantification (UQ) process to produce a probabilistic distribution for the
observed regression rate $\dot{r}$. We characterized two input data uncertainty
sources from the experiment (the distortion from the camera $U_c$ and the
non-zero angle fuel placement $U_\gamma$), the prediction and model form
uncertainty from the deep neural network ($U_m$), as well as the variability
from the manually segmented images used for training it ($U_s$). We conducted
seven case studies on combinations of these uncertainty sources with the model
form uncertainty. The main contribution of this paper is the investigation and
inclusion of the experimental image data uncertainties involved, and how to
include them in a workflow when the QoI is the result of multiple sequential
processes.
- Abstract（参考訳）: 複雑な物理過程のキャラクタリゼーションでは、固体ハイブリッドロケット燃料の回帰速度の測定のように、観測データと使用したモデルの両方が複数のソースから発生した不確実性を持ち、これらを体系的な方法で組み合わせること(QoI)は依然として困難である。
本稿では,観測された回帰率$\dot{r}$ の確率分布を生成するために,前方伝播不確かさ量化(uq)過程を提案する。
実験から得られた2つの入力データ不確実性(カメラ$U_c$と非ゼロ角燃料配置$U_\gamma$)、深部ニューラルネットワーク(U_m$)からの予測とモデル形状の不確かさ(U_s$)、およびトレーニングに使用する手動分割画像(U_s$)のばらつき(U_s$)を特徴付ける。
これらの不確実性源とモデル形式の不確実性の組み合わせについて7つのケーススタディを行った。
この論文の主な貢献は、関連する実験的な画像データの不確実性の調査と包含、およびqoiが複数のシーケンシャルプロセスの結果である場合のワークフローにそれらを組み込む方法である。
関連論文リスト
- Controlling for discrete unmeasured confounding in nonlinear causal models [6.255285109437089]
理論的には、観測データが潜在ガウス混合モデルの断片的なアフィン変換であるという仮定の下で、コンバウンディングが検出され、修正可能であることを示す。
我々は,このモデルを推定し,デコンウンディングを行うフローベースアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-08-10T22:50:08Z) - A local squared Wasserstein-2 method for efficient reconstruction of models with uncertainty [0.0]
本稿では,不確定な潜伏変数やパラメータを持つモデル再構成の逆問題を解決するために,局所二乗ワッサースタイン-2(W_2)法を提案する。
このアプローチの重要な利点は、下位モデルにおける潜伏変数やパラメータの分布に関する事前情報を必要としないことである。
論文 参考訳（メタデータ） (2024-06-10T22:15:55Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - DiffHybrid-UQ: Uncertainty Quantification for Differentiable Hybrid
Neural Modeling [4.76185521514135]
本稿では,ハイブリッドニューラル微分可能モデルにおける有効かつ効率的な不確実性伝播と推定のための新しい手法DiffHybrid-UQを提案する。
具体的には,データノイズとてんかんの不確かさから生じるアレタリック不確かさと,モデル形状の相違やデータ空間のばらつきから生じるエピステマティック不確かさの両方を効果的に識別し,定量化する。
論文 参考訳（メタデータ） (2023-12-30T07:40:47Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。
本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-07T10:14:18Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Nonlinear Independent Component Analysis for Continuous-Time Signals [85.59763606620938]
このプロセスの混合物の観察から多次元音源過程を復元する古典的問題を考察する。
このリカバリは、この混合物が十分に微分可能で可逆な関数によって与えられる場合、多くの一般的なプロセスのモデル(座標の順序と単調スケーリングまで)に対して可能であることを示す。
論文 参考訳（メタデータ） (2021-02-04T20:28:44Z) - The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。
本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文 参考訳（メタデータ） (2020-12-05T17:30:35Z) - Dropout Strikes Back: Improved Uncertainty Estimation via Diversity
Sampling [3.077929914199468]
ニューラルネットワークにおけるドロップアウト層に対するサンプリング分布の変更により,不確実性評価の品質が向上することを示す。
主要なアイデアは、ニューロン間のデータ駆動相関を計算し、最大多様なニューロンを含むサンプルを生成する、という2つの主要なステップで構成されています。
論文 参考訳（メタデータ） (2020-03-06T15:20:04Z)
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。