論文の概要: MAntRA: A framework for model agnostic reliability analysis
- arxiv url: http://arxiv.org/abs/2212.06303v1
- Date: Tue, 13 Dec 2022 00:57:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 14:21:59.590248
- Title: MAntRA: A framework for model agnostic reliability analysis
- Title（参考訳）: MAntRA:モデルに依存しない信頼性分析のためのフレームワーク
- Authors: Yogesh Chandrakant Mathpati and Kalpesh Sanjay More and Tapas Tripura
and Rajdip Nayek and Souvik Chakraborty
- Abstract要約: 時間依存型信頼性解析のための新しいモデルデータ駆動型信頼性解析フレームワークを提案する。
提案手法は、解釈可能な機械学習、ベイズ統計、動的方程式の同定を組み合わせたものである。
以上の結果から,提案手法の信頼性評価への応用の可能性が示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We propose a novel model agnostic data-driven reliability analysis framework
for time-dependent reliability analysis. The proposed approach -- referred to
as MAntRA -- combines interpretable machine learning, Bayesian statistics, and
identifying stochastic dynamic equation to evaluate reliability of
stochastically-excited dynamical systems for which the governing physics is
\textit{apriori} unknown. A two-stage approach is adopted: in the first stage,
an efficient variational Bayesian equation discovery algorithm is developed to
determine the governing physics of an underlying stochastic differential
equation (SDE) from measured output data. The developed algorithm is efficient
and accounts for epistemic uncertainty due to limited and noisy data, and
aleatoric uncertainty because of environmental effect and external excitation.
In the second stage, the discovered SDE is solved using a stochastic
integration scheme and the probability failure is computed. The efficacy of the
proposed approach is illustrated on three numerical examples. The results
obtained indicate the possible application of the proposed approach for
reliability analysis of in-situ and heritage structures from on-site
measurements.
- Abstract（参考訳）: 時間依存信頼度解析のための新しいモデル非依存データ駆動信頼度解析フレームワークを提案する。
マントラと呼ばれるこのアプローチは、解釈可能な機械学習、ベイズ統計学、確率的動的方程式の同定を組み合わせることで、支配物理学が\textit{apriori} 未知である確率的励起力学系の信頼性を評価する。
最初の段階では、測定された出力データから基礎となる確率微分方程式(SDE)の制御物理を決定するために、効率的な変分ベイズ方程式探索アルゴリズムが開発された。
提案手法は,環境効果と外部励振による環境不確実性,雑音データによる認識の不確かさを考慮し,効率的なアルゴリズムである。
第2段階では、確率積分スキームを用いて発見されたSDEを解き、確率失敗を算出する。
提案手法の有効性を3つの数値例に示す。
その結果, 現場計測から, 現場および遺産の信頼性分析への提案手法の適用可能性が示唆された。
関連論文リスト
- Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。
我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。
当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文 参考訳（メタデータ） (2024-11-04T11:09:58Z) - Rigorous Probabilistic Guarantees for Robust Counterfactual Explanations [80.86128012438834]
モデルシフトに対する反ファクトの堅牢性を計算することはNP完全であることを示す。
本稿では,頑健性の厳密な推定を高い保証で実現する新しい確率論的手法を提案する。
論文 参考訳（メタデータ） (2024-07-10T09:13:11Z) - FUSE: Fast Unified Simulation and Estimation for PDEs [11.991297011923004]
同じフレームワーク内で両方の問題を解決することは、正確性と堅牢性において一貫した利益をもたらす可能性がある、と私たちは主張する。
本研究は,本手法の全身血行動態シミュレーションにおける連続的および離散的バイオマーカーの予測能力について述べる。
論文 参考訳（メタデータ） (2024-05-23T13:37:26Z) - Probabilistic Numeric SMC Sampling for Bayesian Nonlinear System Identification in Continuous Time [0.0]
工学において、ノイズによって汚染されたデータから非線形力学系を正確にモデル化することは必須かつ複雑である。
連続時間常微分方程式(ODE)の統合は、理論モデルと離散サンプリングデータとの整合に不可欠である。
本稿では,非線形力学系の結合パラメータ-状態同定におけるODEの確率論的数値解法の適用例を示す。
論文 参考訳（メタデータ） (2024-04-19T14:52:14Z) - Statistical Mechanics of Dynamical System Identification [3.1484174280822845]
我々はスパース方程式探索アルゴリズムを統計的に解析する手法を開発した。
このフレームワークでは、統計力学は複雑さとフィットネスの間の相互作用を分析するためのツールを提供する。
論文 参考訳（メタデータ） (2024-03-04T04:32:28Z) - Towards stable real-world equation discovery with assessing
differentiating quality influence [52.2980614912553]
一般的に用いられる有限差分法に代わる方法を提案する。
我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
論文 参考訳（メタデータ） (2023-11-09T23:32:06Z) - Deep Learning Aided Laplace Based Bayesian Inference for Epidemiological
Systems [2.596903831934905]
本稿では,Laplace をベースとしたベイズ推定と ANN アーキテクチャを併用して ODE 軌道の近似を求めるハイブリッド手法を提案する。
本手法の有効性を,非分析的ソリューションを用いた疫学システム,Susceptible-Infectious-Demoved (SIR) モデルを用いて実証した。
論文 参考訳（メタデータ） (2022-10-17T09:02:41Z) - A Priori Denoising Strategies for Sparse Identification of Nonlinear
Dynamical Systems: A Comparative Study [68.8204255655161]
本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。
一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-01-29T23:31:25Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳（メタデータ） (2021-05-17T08:36:18Z) - Automatic Differentiation to Simultaneously Identify Nonlinear Dynamics
and Extract Noise Probability Distributions from Data [4.996878640124385]
SINDyは時系列データから類似の動的モデルや方程式を発見するためのフレームワークである。
自動微分と最近のRudyらによって制約されたタイムステッピングを統合したSINDyアルゴリズムの変種を開発する。
本手法は,ガウス分布,一様分布,ガンマ分布,レイリー分布などの確率分布の多様性を同定できることを示す。
論文 参考訳（メタデータ） (2020-09-12T23:52:25Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳（メタデータ） (2020-07-07T18:25:25Z)
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。