論文の概要: Investigating Deep Learning Model Calibration for Classification
Problems in Mechanics
- arxiv url: http://arxiv.org/abs/2212.00881v1
- Date: Thu, 1 Dec 2022 21:39:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 17:42:19.840074
- Title: Investigating Deep Learning Model Calibration for Classification
Problems in Mechanics
- Title（参考訳）: 力学の分類問題に対するディープラーニングモデル校正の検討
- Authors: Saeed Mohammadzadeh, Peerasait Prachaseree, Emma Lejeune
- Abstract要約: エンジニアリング力学における問題に機械学習手法を適用することへの関心が高まっている。
深層学習法は、工学的な合成物から幾何学的に複雑なメタマテリアルまで、システムの機械的挙動を低誤差で効果的に予測することができる。
しかし、ディープラーニングモデルの校正には比較的注意が払われていない。
- 参考スコア（独自算出の注目度）: 0.7734726150561089
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Recently, there has been a growing interest in applying machine learning
methods to problems in engineering mechanics. In particular, there has been
significant interest in applying deep learning techniques to predicting the
mechanical behavior of heterogeneous materials and structures. Researchers have
shown that deep learning methods are able to effectively predict mechanical
behavior with low error for systems ranging from engineered composites, to
geometrically complex metamaterials, to heterogeneous biological tissue.
However, there has been comparatively little attention paid to deep learning
model calibration, i.e., the match between predicted probabilities of outcomes
and the true probabilities of outcomes. In this work, we perform a
comprehensive investigation into ML model calibration across seven open access
engineering mechanics datasets that cover three distinct types of mechanical
problems. Specifically, we evaluate both model and model calibration error for
multiple machine learning methods, and investigate the influence of ensemble
averaging and post hoc model calibration via temperature scaling. Overall, we
find that ensemble averaging of deep neural networks is both an effective and
consistent tool for improving model calibration, while temperature scaling has
comparatively limited benefits. Looking forward, we anticipate that this
investigation will lay the foundation for future work in developing mechanics
specific approaches to deep learning model calibration.
- Abstract（参考訳）: 近年,機械学習手法を工学的な問題に適用することへの関心が高まっている。
特に,異種材料や構造物の力学挙動の予測に深層学習技術を適用することには大きな関心が寄せられている。
深層学習法は、エンジニアリングされた複合材料から幾何学的に複雑なメタマテリアル、異質な生体組織に至るまで、システムの機械的挙動を低誤差で効果的に予測できることを示した。
しかし、ディープラーニングモデルのキャリブレーション、すなわち予測された結果の確率と真の結果の確率との一致には、比較的注意が払われていない。
本研究では,MLモデルのキャリブレーションを,3種類の機械的問題を網羅する7つのオープンアクセスエンジニアリングメカニクスデータセットに対して包括的に調査する。
具体的には,複数の機械学習手法におけるモデル校正誤差とモデル校正誤差を評価し,温度スケーリングによるアンサンブル平均化とポストホックモデル校正の影響について検討する。
全体として、深層ニューラルネットワークのアンサンブル平均化は、モデルキャリブレーションを改善する効果的な一貫したツールであり、温度スケーリングは比較的限られた利点がある。
今後,本研究は,深層学習モデルのキャリブレーションに対する力学固有のアプローチ開発における今後の研究の基盤となるものと期待されている。
関連論文リスト
- Loss Landscape Analysis for Reliable Quantized ML Models for Scientific Sensing [41.89148096989836]
機械学習(ML)モデルの損失景観を実証分析する手法を提案する。
本手法は,MLモデルのロバスト性を,量子化精度の関数や異なる正規化手法の下で評価することができる。
論文 参考訳（メタデータ） (2025-02-12T12:30:49Z) - A Comparative Study of Machine Learning Models Predicting Energetics of Interacting Defects [5.574191640970887]
本稿では,相互作用する欠陥のあるシステムの自由エネルギー変化を予測する3つの方法の比較研究を行う。
その結果,この限られたデータセットであっても,クラスタ展開モデルによって正確なエネルギー予測が達成できることが示唆された。
本研究では,不完全な表面システムに機械学習を適用した予備評価を行う。
論文 参考訳（メタデータ） (2024-03-20T02:15:48Z) - On the Calibration of Large Language Models and Alignment [63.605099174744865]
信頼性キャリブレーションは、ディープモデルの信頼性を高める重要なツールである。
構築プロセス全体を通して、アライメント言語モデルの校正を体系的に検討する。
我々の研究は、人気のあるLCMが十分に校正されているか、トレーニングプロセスがモデルの校正にどのように影響するかに光を当てています。
論文 参考訳（メタデータ） (2023-11-22T08:57:55Z) - Machine learning for accuracy in density functional approximations [0.0]
密度汎関数近似の精度を向上させるために機械学習を適用した最近の進歩を概観する。
異なる化学物質と材料クラス間で伝達可能な機械学習モデルを考案する際の約束と課題について論じる。
論文 参考訳（メタデータ） (2023-11-01T00:02:09Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳（メタデータ） (2023-10-23T13:35:24Z) - Interpretable models for extrapolation in scientific machine learning [0.0]
複雑な機械学習アルゴリズムは、補間的設定において単純な回帰よりも優れていることが多い。
本稿では, モデル性能と解釈可能性のトレードオフを, 幅広い科学・工学的問題にまたがって検討する。
論文 参考訳（メタデータ） (2022-12-16T19:33:28Z) - An Experimental Study of Dimension Reduction Methods on Machine Learning
Algorithms with Applications to Psychometrics [77.34726150561087]
次元の減少は、変数の減少を伴わないのと同じ精度で減少、増大、あるいは達成できることを示す。
我々の暫定的な結果は、次元の減少が分類タスクに使用する場合、より良い性能をもたらす傾向があることを見出した。
論文 参考訳（メタデータ） (2022-10-19T22:07:13Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - Towards Closing the Sim-to-Real Gap in Collaborative Multi-Robot Deep
Reinforcement Learning [0.06554326244334865]
分散マルチロボットシステムにおいて,マルチエージェント強化学習が現実とのギャップを埋める方法について分析する。
分散強化学習におけるセンサ,キャリブレーション,精度のミスマッチの効果について紹介する。
異なる種類の摂動と、それらの摂動を経験するエージェントの数の両方が協調学習活動にどのように影響するかについて論じる。
論文 参考訳（メタデータ） (2020-08-18T11:57:33Z) - Predictive modeling approaches in laser-based material processing [59.04160452043105]
本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。
その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。
結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
論文 参考訳（メタデータ） (2020-06-13T17:28:52Z)
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。