論文の概要: Embed and Emulate: Learning to estimate parameters of dynamical systems with uncertainty quantification

• arxiv url: http://arxiv.org/abs/2211.01554v1
• Date: Thu, 3 Nov 2022 01:59:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 14:38:28.587824
• Title: Embed and Emulate: Learning to estimate parameters of dynamical systems with uncertainty quantification
• Title（参考訳）: 埋め込みとエミュレーション:不確実性定量化を用いた力学系のパラメータ推定学習
• Authors: Ruoxi Jiang, Rebecca Willett
• Abstract要約: 本稿では,高次元力学系の不確実性を考慮したパラメータ推定のための学習エミュレータについて検討する。 私たちのタスクは、基礎となるパラメータの可能性のある値の範囲を正確に見積もることです。 結合した396次元のマルチスケールロレンツ96系において,本手法は典型的なパラメータ推定法よりも優れていた。
• 参考スコア（独自算出の注目度）: 11.353411236854582
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper explores learning emulators for parameter estimation with uncertainty estimation of high-dimensional dynamical systems. We assume access to a computationally complex simulator that inputs a candidate parameter and outputs a corresponding multichannel time series. Our task is to accurately estimate a range of likely values of the underlying parameters. Standard iterative approaches necessitate running the simulator many times, which is computationally prohibitive. This paper describes a novel framework for learning feature embeddings of observed dynamics jointly with an emulator that can replace high-cost simulators for parameter estimation. Leveraging a contrastive learning approach, our method exploits intrinsic data properties within and across parameter and trajectory domains. On a coupled 396-dimensional multiscale Lorenz 96 system, our method significantly outperforms a typical parameter estimation method based on predefined metrics and a classical numerical simulator, and with only 1.19% of the baseline's computation time. Ablation studies highlight the potential of explicitly designing learned emulators for parameter estimation by leveraging contrastive learning.
• Abstract（参考訳）: 本稿では,高次元力学系の不確実性推定を伴うパラメータ推定のための学習エミュレータについて検討する。 候補パラメータを入力し、対応するマルチチャネル時系列を出力する計算複雑なシミュレータへのアクセスを想定する。 私たちのタスクは、基礎となるパラメータの可能性のある値の範囲を正確に見積もることです。 標準的な反復的アプローチはシミュレータを何度も実行する必要がある。 本稿では,パラメータ推定のための高コストシミュレータを置き換えるエミュレータとともに,観測力学の特徴埋め込みを学習するための新しいフレームワークについて述べる。 対照的な学習手法を用いることで,本手法はパラメータと軌道領域間の固有データ特性を利用する。 396次元多スケールロレンツ96系において,本手法は,事前定義されたメトリックスと古典数値シミュレータに基づく典型的なパラメータ推定法を著しく上回り,ベースラインの計算時間の1.19%しか持たない。 アブレーション研究は、コントラスト学習を利用したパラメータ推定のための学習エミュレータを明示的に設計する可能性を強調している。

関連論文リスト

• Embed and Emulate: Contrastive representations for simulation-based inference [11.543221890134399]
  本稿では,新しいシミュレーションベース推論(SBI)手法であるEmbed and Emulate(E&E)を紹介する。 E&Eはデータと対応する高速エミュレータの低次元潜伏埋め込みを潜伏空間に学習する。 本研究では,現実的なパラメータ推定タスクにおいて,既存の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-09-27T02:37:01Z)
• Parameter Estimation in Quantum Metrology Technique for Time Series Prediction [0.0]
  本稿では,気象予測における量子計算の手法について検討する。 変動パラメータ推定による予測ポテンシャルの向上に焦点を当てる。 パラメータ分布と学習速度が予測精度に与える影響について検討した。
  論文  参考訳（メタデータ） (2024-06-12T05:55:45Z)
• 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)
• Towards black-box parameter estimation [0.0]
  弱いパラメータ構造仮定に基づいて統計モデルのパラメータを推定する新しいブラックボックス手法を開発した。 頻繁な頻度で構造化された確率に対して、これは、広範囲なシミュレートされたデータベース上でディープニューラルネットワークを事前トレーニングすることで達成される。
  論文  参考訳（メタデータ） (2023-03-27T09:39:38Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• Probabilistic Inference of Simulation Parameters via Parallel Differentiable Simulation [34.30381620584878]
  実世界の計測を正確に再現するには、シミュレーターが適切な物理系のモデルを持つ必要がある。 ベイズ推定手法を用いてパラメータを推定する後者の問題に対処する。 我々は、GPUコード生成と微分可能シミュレーションを利用して、多くの粒子に対するその可能性とその勾配を並列に評価する。
  論文  参考訳（メタデータ） (2021-09-18T03:05:44Z)
• Neural Networks for Parameter Estimation in Intractable Models [0.0]
  本稿では,最大安定過程からパラメータを推定する方法を示す。 モデルシミュレーションのデータを入力として使用し,統計的パラメータを学習するために深層ニューラルネットワークを訓練する。
  論文  参考訳（メタデータ） (2021-07-29T21:59:48Z)
• Physics-constrained deep neural network method for estimating parameters in a redox flow battery [68.8204255655161]
  バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。 そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。 また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
  論文  参考訳（メタデータ） (2021-06-21T23:42:58Z)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)
• A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
  本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。 我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。 我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
  論文  参考訳（メタデータ） (2020-11-17T22:24:26Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)

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。