論文の概要: Data efficient surrogate modeling for engineering design: Ensemble-free
batch mode deep active learning for regression
- arxiv url: http://arxiv.org/abs/2211.10360v1
- Date: Wed, 16 Nov 2022 02:31:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 14:43:07.776216
- Title: Data efficient surrogate modeling for engineering design: Ensemble-free
batch mode deep active learning for regression
- Title（参考訳）: データ効率的なエンジニアリング設計のためのサロゲートモデリング:回帰のためのアンサンブルフリーバッチモード深層アクティブラーニング
- Authors: Harsh Vardhan, Umesh Timalsina, Peter Volgyesi, Janos Sztipanovits
- Abstract要約: そこで本研究では,学生と教師の共用で,サロゲートモデルを学習するための,シンプルでスケーラブルな学習手法を提案する。
提案手法を用いることで,DBALやモンテカルロサンプリングのような他のベースラインと同レベルのサロゲート精度が得られる。
- 参考スコア（独自算出の注目度）: 0.6021787236982659
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In a computer-aided engineering design optimization problem that involves
notoriously complex and time-consuming simulator, the prevalent approach is to
replace these simulations with a data-driven surrogate that approximates the
simulator's behavior at a much cheaper cost. The main challenge in creating an
inexpensive data-driven surrogate is the generation of a sheer number of data
using these computationally expensive numerical simulations. In such cases,
Active Learning (AL) methods have been used that attempt to learn an
input--output behavior while labeling the fewest samples possible. The current
trend in AL for a regression problem is dominated by the Bayesian framework
that needs training an ensemble of learning models that makes surrogate
training computationally tedious if the underlying learning model is Deep
Neural Networks (DNNs). However, DNNs have an excellent capability to learn
highly nonlinear and complex relationships even for a very high dimensional
problem. To leverage the excellent learning capability of deep networks along
with avoiding the computational complexity of the Bayesian paradigm, in this
work we propose a simple and scalable approach for active learning that works
in a student-teacher manner to train a surrogate model. By using this proposed
approach, we are able to achieve the same level of surrogate accuracy as the
other baselines like DBAL and Monte Carlo sampling with up to 40 % fewer
samples. We empirically evaluated this method on multiple use cases including
three different engineering design domains:finite element analysis,
computational fluid dynamics, and propeller design.
- Abstract（参考訳）: 複雑で時間のかかるシミュレータを含むコンピュータ支援工学設計最適化問題において、一般的なアプローチは、シミュレータの動作をはるかに安価に近似するデータ駆動サーロゲートに、これらのシミュレーションを置き換えることである。
安価なデータ駆動サロゲートを作成する上での最大の課題は、これらの計算コストの高い数値シミュレーションを使って膨大な数のデータを生成することである。
このような場合、最も少ないサンプルをラベル付けしながら入力出力の振る舞いを学習しようとするアクティブラーニング(AL)手法が用いられている。
回帰問題に対するALの現在の傾向は、基礎となる学習モデルがDeep Neural Networks(DNN)である場合、計算機的に面倒なトレーニングを行うための学習モデルの集合をトレーニングする必要があるベイズフレームワークによって支配されている。
しかし、DNNは、非常に高次元の問題であっても、非常に非線形で複雑な関係を学習する優れた能力を持っている。
本研究では,ベイズパラダイムの計算複雑性を回避するとともに,ディープ・ネットワークの優れた学習能力を活用するために,学生-教師によるサロゲートモデルの学習方法として,アクティブ・ラーニングのためのシンプルでスケーラブルなアプローチを提案する。
提案手法を用いることで,DBALやモンテカルロといった他のベースラインと同程度のサロゲート精度を最大40%のサンプルでサンプリングすることが可能となる。
本手法を, 有限要素解析, 計算流体力学, プロペラ設計の3つの異なる設計領域を含む複数のユースケースで実証的に評価した。
関連論文リスト
- Forewarned is Forearmed: Leveraging LLMs for Data Synthesis through Failure-Inducing Exploration [90.41908331897639]
大規模言語モデル(LLM)は、多種多様な高品質なタスク特化データのトレーニングの恩恵を受けている。
本稿では,効果的なトレーニングサンプルを自動生成する新しい手法であるReverseGenを提案する。
論文 参考訳（メタデータ） (2024-10-22T06:43:28Z) - Transfer Learning on Multi-Dimensional Data: A Novel Approach to Neural Network-Based Surrogate Modeling [0.0]
畳み込みニューラルネットワーク(CNN)はそのようなサロゲートモデルの基礎として人気を集めている。
本稿では,$d$次元問題と$d-1$次元近似の両方に対する数値解の混合によるCNN代理モデルのトレーニングを提案する。
転送学習を用いて,2種類のデータに対して,高密度な完全畳み込みエンコーダ・デコーダCNNを学習する多相フローテスト問題に対するアプローチを実証する。
論文 参考訳（メタデータ） (2024-10-16T05:07:48Z) - Machine learning surrogates for efficient hydrologic modeling: Insights from stochastic simulations of managed aquifer recharge [0.0]
プロセスベース水理モデルと機械学習サロゲートモデルのためのハイブリッドモデリングワークフローを提案する。
ケーススタディでは, このワークフローを, 将来的な管理型帯水層帯水層における飽和地下水流のシミュレーションに応用する。
以上の結果から,MLサロゲートモデルでは,絶対誤差率10%以下で絶対誤差を達成でき,大域保存の順序付けが可能であることが示唆された。
論文 参考訳（メタデータ） (2024-07-30T15:24:27Z) - Towards Robust Dataset Learning [90.2590325441068]
本稿では,頑健なデータセット学習問題を定式化するための三段階最適化法を提案する。
ロバストな特徴と非ロバストな特徴を特徴付ける抽象モデルの下で,提案手法はロバストなデータセットを確実に学習する。
論文 参考訳（メタデータ） (2022-11-19T17:06:10Z) - Simulation-Based Parallel Training [55.41644538483948]
このようなボトルネックを緩和するトレーニングフレームワークを設計するために、現在進行中の作業を紹介します。
トレーニングプロセスと並行してデータを生成する。
このバイアスをメモリバッファで軽減する戦略を提案する。
論文 参考訳（メタデータ） (2022-11-08T09:31:25Z) - DeepAL for Regression Using $\epsilon$-weighted Hybrid Query Strategy [0.799536002595393]
能動学習(AL)法と深層学習(DL)法を組み合わせた新しいサンプリング手法を提案する。
我々はこのメソッドを$epsilon$-weighted hybrid query strategy(epsilon$-HQS)と呼ぶ。
実験による評価では, 他の試料選択法と比較してサロゲートの精度が向上した。
論文 参考訳（メタデータ） (2022-06-24T14:38:05Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - Deep Learning-based FEA surrogate for sub-sea pressure vessel [0.799536002595393]
圧力容器には、浸水できない電子機器、電源、その他のセンサーが含まれている。
圧力容器設計の伝統的な設計手法は、複数の有限要素解析(FEA)ベースのシミュレーションを実行することである。
これらのFAAの実行は、任意の最適化プロセスに非常にコストがかかる。
より優れたアプローチは、FAAベースの予測を学習ベースの回帰器に置き換えることを目的としたサロゲート設計である。
論文 参考訳（メタデータ） (2022-06-06T00:47:10Z) - Use of Multifidelity Training Data and Transfer Learning for Efficient
Construction of Subsurface Flow Surrogate Models [0.0]
データ駆動サロゲートモデルを構築するには、トレーニングサンプルを提供するために数千の高忠実度シミュレーションを実行する必要がある。
本稿では,大まかなジオモデルを用いてトレーニングシミュレーションを行うフレームワークを提案する。
このネットワークは、ほとんどのトレーニングで使用される低忠実度シミュレーションよりもはるかに正確な結果を提供する。
論文 参考訳（メタデータ） (2022-04-23T20:09:49Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z)
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。