論文の概要: Construction of a Surrogate Model: Multivariate Time Series Prediction with a Hybrid Model

• arxiv url: http://arxiv.org/abs/2212.07918v1
• Date: Thu, 15 Dec 2022 15:52:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 16:17:12.236253
• Title: Construction of a Surrogate Model: Multivariate Time Series Prediction with a Hybrid Model
• Title（参考訳）: ハイブリッドモデルを用いたサロゲートモデルの構築:多変量時系列予測
• Authors: Clara Carlier and Arnaud Franju and Matthieu Lerasle and Mathias Obrebski
• Abstract要約: 自動車グループはほとんどのテストを実行するためにシミュレータに頼っている。 常に改良されたタスクのためのシミュレータの信頼性が問題となっている。 テストの数を増やすために、業界は現在代理モデルを開発している。
• 参考スコア（独自算出の注目度）: 2.198430261120653
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent developments of advanced driver-assistance systems necessitate an increasing number of tests to validate new technologies. These tests cannot be carried out on track in a reasonable amount of time and automotive groups rely on simulators to perform most tests. The reliability of these simulators for constantly refined tasks is becoming an issue and, to increase the number of tests, the industry is now developing surrogate models, that should mimic the behavior of the simulator while being much faster to run on specific tasks. In this paper we aim to construct a surrogate model to mimic and replace the simulator. We first test several classical methods such as random forests, ridge regression or convolutional neural networks. Then we build three hybrid models that use all these methods and combine them to obtain an efficient hybrid surrogate model.
• Abstract（参考訳）: 最近の高度な運転支援システムの開発は、新しい技術を検証するためのテストの増加を必要としている。 これらのテストは妥当な時間内に軌道上では実行できず、自動車グループはほとんどのテストを実行するためにシミュレータに依存している。 常に洗練されたタスクのためのこれらのシミュレータの信頼性が問題となり、テスト数を増やすために、業界は、特定のタスクで実行するよりもずっと速く、シミュレータの振る舞いを模倣する、代理モデルを開発している。 本稿では,シミュレータを模倣し置き換えるための代理モデルを構築することを目的とする。 まず,ランダムフォレスト,リッジ回帰,畳み込みニューラルネットワークなどの古典的手法をテストした。 そして、これらの手法を全て利用し、それらを組み合わせて効率的なハイブリッドサロゲートモデルを得る3つのハイブリッドモデルを構築する。

関連論文リスト

• Open-Source High-Speed Flight Surrogate Modeling Framework [0.0]
  高速飛行車は音速よりもはるかに速く走行し、国防と宇宙探査に不可欠である。 様々な飛行条件下での行動の正確な予測は困難であり、しばしば高価である。 提案されたアプローチでは、より賢く、より効率的な機械学習モデルを作成する。
  論文  参考訳（メタデータ） (2024-11-06T01:34:06Z)
• Promises and Pitfalls of Generative Masked Language Modeling: Theoretical Framework and Practical Guidelines [74.42485647685272]
  GMLM(Generative Masked Language Models)に焦点を当てる。 我々は,マルコフ連鎖の入力として使用されるマスキングにより,データ分布の条件付き確率に適合するモデルを訓練し,モデルからサンプルを抽出する。 我々は,T5モデルを並列デコーディングに適応させ,最小品質の犠牲を伴って機械翻訳における2～3倍の高速化を実現した。
  論文  参考訳（メタデータ） (2024-07-22T18:00:00Z)
• Learning to Simulate: Generative Metamodeling via Quantile Regression [2.2518304637809714]
  我々は「シミュレーターの高速シミュレータ」を構築することを目的とした、生成メタモデリングと呼ばれる新しいメタモデリング概念を提案する。 一度構築すると、生成メタモデルは入力が特定されるとすぐに大量のランダム出力を生成することができる。 本稿では,QRGMM(quantile-regression-based generative metamodeling)という新しいアルゴリズムを提案し,その収束率と収束率について検討する。
  論文  参考訳（メタデータ） (2023-11-29T16:46:24Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Deep Learning-based Spatially Explicit Emulation of an Agent-Based Simulator for Pandemic in a City [0.6875312133832077]
  エージェントベースモデルは、都市におけるパンデミックの拡散など、物理的または社会的プロセスのシミュレーションに有用である。 このようなモデルは計算には非常に高価であり、複雑度はしばしばエージェントの総数で線形である。 本稿では,エージェントベースモデルを高精度にエミュレート可能なDilated Convolutional Neural Networkに基づくディープラーニングモデルについて論じる。
  論文  参考訳（メタデータ） (2022-05-28T10:56:37Z)
• Learning continuous models for continuous physics [94.42705784823997]
  本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。 本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
  論文  参考訳（メタデータ） (2022-02-17T07:56:46Z)
• Improving Non-autoregressive Generation with Mixup Training [51.61038444990301]
  本稿では,事前学習したトランスモデルに基づく非自己回帰生成モデルを提案する。 我々はMIxソースと擬似ターゲットという,シンプルで効果的な反復訓練手法を提案する。 質問生成,要約,パラフレーズ生成を含む3つの世代ベンチマーク実験により,提案手法が新たな最先端結果を実現することを示す。
  論文  参考訳（メタデータ） (2021-10-21T13:04:21Z)
• Abstraction of Markov Population Dynamics via Generative Adversarial Nets [2.1485350418225244]
  計算負荷を減らすための戦略は人口モデルを抽象化し、より単純なモデルで置き換えることである。 ここでは、このアイデアを追求し、過去の作品に基づいて、連続した空間と離散時間で軌道を生成できる生成器を構築する。 このジェネレータは、生成逆数設定で元のモデルのシミュレーションから自動的に学習される。
  論文  参考訳（メタデータ） (2021-06-24T12:57:49Z)
• Simulation of an Elevator Group Control Using Generative Adversarial Networks and Related AI Tools [0.6481500397175589]
  Generative Adversarial Networks (GAN) は、様々なタスクのための新しいデータを生成する強力なツールである。 本稿では,シミュレーションにおけるGANの適用性について検討する。
  論文  参考訳（メタデータ） (2020-09-03T14:22:26Z)
• 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。