論文の概要: General multi-fidelity surrogate models: Framework and active learning
strategies for efficient rare event simulation
- arxiv url: http://arxiv.org/abs/2212.03375v1
- Date: Wed, 7 Dec 2022 00:03:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 15:48:57.529426
- Title: General multi-fidelity surrogate models: Framework and active learning
strategies for efficient rare event simulation
- Title（参考訳）: 汎用マルチ忠実性サロゲートモデル:効率的なレアイベントシミュレーションのためのフレームワークとアクティブラーニング戦略
- Authors: Promit Chakroborty, Somayajulu L. N. Dhulipala, Yifeng Che, Wen Jiang,
Benjamin W. Spencer, Jason D. Hales, Michael D. Shields
- Abstract要約: 複雑な現実世界のシステムの失敗の確率を推定することは、しばしば違法に高価である。
本稿では,頑健な多要素代理モデリング戦略を提案する。
高忠実度モデル呼び出しの数を劇的に削減しながら、非常に正確であることが示されている。
- 参考スコア（独自算出の注目度）: 1.708673732699217
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Estimating the probability of failure for complex real-world systems using
high-fidelity computational models is often prohibitively expensive, especially
when the probability is small. Exploiting low-fidelity models can make this
process more feasible, but merging information from multiple low-fidelity and
high-fidelity models poses several challenges. This paper presents a robust
multi-fidelity surrogate modeling strategy in which the multi-fidelity
surrogate is assembled using an active learning strategy using an on-the-fly
model adequacy assessment set within a subset simulation framework for
efficient reliability analysis. The multi-fidelity surrogate is assembled by
first applying a Gaussian process correction to each low-fidelity model and
assigning a model probability based on the model's local predictive accuracy
and cost. Three strategies are proposed to fuse these individual surrogates
into an overall surrogate model based on model averaging and
deterministic/stochastic model selection. The strategies also dictate which
model evaluations are necessary. No assumptions are made about the
relationships between low-fidelity models, while the high-fidelity model is
assumed to be the most accurate and most computationally expensive model.
Through two analytical and two numerical case studies, including a case study
evaluating the failure probability of Tristructural isotropic-coated (TRISO)
nuclear fuels, the algorithm is shown to be highly accurate while drastically
reducing the number of high-fidelity model calls (and hence computational
cost).
- Abstract（参考訳）: 高忠実性計算モデルを用いた複雑な実世界のシステムの故障確率の推定は、特に確率が小さい場合には、しばしば非常に高価である。
しかし、複数の低忠実度モデルと高忠実度モデルからの情報を統合することで、いくつかの課題が生じる。
本稿では,高信頼度解析のためのサブセット・シミュレーション・フレームワーク内でのオン・ザ・フライモデル・アダクティ・アセスメント・セットを用いて,多要素サロゲートをアクティブ・ラーニング・ストラテジーを用いて構築する頑健な多要素サロゲート・モデリング戦略を提案する。
そして、まず、各低忠実度モデルにガウス過程補正を適用し、モデルの局所予測精度とコストに基づいてモデル確率を割り当てる。
これらのサロゲートをモデル平均化と決定論的・確率的モデル選択に基づく全体サロゲートモデルに融合する3つの戦略が提案されている。
戦略はどのモデル評価が必要かを規定する。
低忠実度モデル間の関係は仮定されていないが、高忠実度モデルは最も正確で計算コストの高いモデルであると仮定されている。
トリソ核燃料の故障確率を評価するケーススタディを含む2つの解析的および2つの数値的ケーススタディを通して、このアルゴリズムは高忠実度モデル呼び出し数を劇的に削減し(計算コスト)、非常に正確であることが示されている。
関連論文リスト
- Practical multi-fidelity machine learning: fusion of deterministic and Bayesian models [0.34592277400656235]
マルチフィデリティ機械学習手法は、少ないリソース集約型高フィデリティデータと、豊富なが精度の低い低フィデリティデータを統合する。
低次元領域と高次元領域にまたがる問題に対する実用的多面性戦略を提案する。
論文 参考訳（メタデータ） (2024-07-21T10:40:50Z) - Model-Based RL for Mean-Field Games is not Statistically Harder than Single-Agent RL [57.745700271150454]
モデルに基づく関数近似を用いた平均フィールドゲーム(MFG)における強化学習のサンプル複雑性について検討した。
本稿では、モデルクラスの複雑性を特徴付けるためのより効果的な概念である部分モデルベースエルダー次元(P-MBED)を紹介する。
論文 参考訳（メタデータ） (2024-02-08T14:54:47Z) - Uncertainty-aware multi-fidelity surrogate modeling with noisy data [0.0]
実世界の応用では、測定や数値ノイズによる高忠実度モデルと低忠実度モデルの両方に不確実性が存在する。
本稿では,ノイズ汚染データを扱う多要素代理モデリングのための包括的フレームワークを提案する。
提案するフレームワークは,物理実験と計算モデルを組み合わせた自然なアプローチを提供する。
論文 参考訳（メタデータ） (2024-01-12T08:37:41Z) - Deciding What to Model: Value-Equivalent Sampling for Reinforcement
Learning [21.931580762349096]
本稿では,エージェントが真のモデルの代わりにターゲットにできるような,ほぼ等価でロッキーな環境圧縮を計算するアルゴリズムを提案する。
有限水平, エピソディックな逐次決定問題を解くアルゴリズムに対して, 情報理論的, ベイズ的後悔を証明した。
論文 参考訳（メタデータ） (2022-06-04T23:36:38Z) - Sample-Efficient Reinforcement Learning via Conservative Model-Based
Actor-Critic [67.00475077281212]
モデルベース強化学習アルゴリズムは、モデルフリーのアルゴリズムよりもサンプル効率が高い。
本稿では,精度の高い学習モデルに強く依存することなく,高いサンプル効率を実現する新しい手法を提案する。
CMBACは,いくつかの課題に対して,サンプル効率の点で最先端のアプローチを著しく上回ることを示す。
論文 参考訳（メタデータ） (2021-12-16T15:33:11Z) - Adaptive Reliability Analysis for Multi-fidelity Models using a
Collective Learning Strategy [6.368679897630892]
本研究は,信頼性解析のための適応多忠実ガウス法(adaptive multi-fidelity Gaussian process for reliability analysis,AMGPRA)という新しい手法を提案する。
提案手法は,最先端の単相・多相の手法と比較して計算コストを削減し,類似あるいは高い精度を実現する。
AMGPRAのキーとなる応用は、複雑で高価な物理ベースの計算モデルを用いた高忠実度不安定性モデリングである。
論文 参考訳（メタデータ） (2021-09-21T14:42:58Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳（メタデータ） (2020-10-25T18:51:15Z) - Context-aware surrogate modeling for balancing approximation and
sampling costs in multi-fidelity importance sampling and Bayesian inverse
problems [0.0]
マルチファイダリティ法は、低コストのサロゲートモデルを利用して計算を高速化する。
代用モデルと高忠実度モデルが併用されるため、代用モデルによる貧弱な予測は、高忠実度モデルへの頻繁な関係で補うことができる。
この研究は、多重忠実度重要度サンプリングを考慮し、サロゲートモデルの忠実度を増大させることから理論的および計算的にトレードオフする。
論文 参考訳（メタデータ） (2020-10-22T13:31:51Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳（メタデータ） (2020-10-12T03:27:07Z) - On the model-based stochastic value gradient for continuous
reinforcement learning [50.085645237597056]
モデルベースエージェントは,サンプル効率と最終報酬の両方の観点から,最先端のモデルフリーエージェントより優れていることを示す。
以上の結果から,モデルに基づく政策評価がより注目に値することが示唆された。
論文 参考訳（メタデータ） (2020-08-28T17:58:29Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳（メタデータ） (2020-03-04T00:44:57Z)
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。