論文の概要: An Efficient Hierarchical Kriging Modeling Method for High-dimension
Multi-fidelity Problems
- arxiv url: http://arxiv.org/abs/2301.00216v1
- Date: Sat, 31 Dec 2022 15:17:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 15:29:01.580558
- Title: An Efficient Hierarchical Kriging Modeling Method for High-dimension
Multi-fidelity Problems
- Title(参考訳): 高次元多重忠実度問題に対する効率的な階層的クリギングモデリング法
- Authors: Youwei He, Jinliang Luo
- Abstract要約: マルチファイダリティ・クリグモデルはサロゲートベース設計において有望な手法である。
多要素クリグモデルの構築コストは問題次元の増大とともに大幅に増大する。
この問題に対処するために,効率的な階層的クラッキングモデリング手法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-fidelity Kriging model is a promising technique in surrogate-based
design as it can balance the model accuracy and cost of sample preparation by
fusing low- and high-fidelity data. However, the cost for building a
multi-fidelity Kriging model increases significantly with the increase of the
problem dimension. To attack this issue, an efficient Hierarchical Kriging
modeling method is proposed. In building the low-fidelity model, the maximal
information coefficient is utilized to calculate the relative value of the
hyperparameter. With this, the maximum likelihood estimation problem for
determining the hyperparameters is transformed as a one-dimension optimization
problem, which can be solved in an efficient manner and thus improve the
modeling efficiency significantly. A local search is involved further to
exploit the search space of hyperparameters to improve the model accuracy. The
high-fidelity model is built in a similar manner with the hyperparameter of the
low-fidelity model served as the relative value of the hyperparameter for
high-fidelity model. The performance of the proposed method is compared with
the conventional tuning strategy, by testing them over ten analytic problems
and an engineering problem of modeling the isentropic efficiency of a
compressor rotor. The empirical results demonstrate that the modeling time of
the proposed method is reduced significantly without sacrificing the model
accuracy. For the modeling of the isentropic efficiency of the compressor
rotor, the cost saving associated with the proposed method is about 90%
compared with the conventional strategy. Meanwhile, the proposed method
achieves higher accuracy.
- Abstract(参考訳): 低忠実度データと高忠実度データを融合させることにより, 試料調製の精度とコストのバランスをとることができるため, シュロゲート設計における有望な手法である。
しかし, 問題次元の増大に伴い, 多要素クリグモデルの構築コストは大幅に増大する。
この問題に対処するために,効率的な階層的krigingモデリング手法を提案する。
低忠実度モデルを構築する際、最大情報係数を用いてハイパーパラメータの相対値を算出する。
これにより、ハイパーパラメータを決定するための最大確率推定問題は、効率良く解くことができる一次元最適化問題として変換され、モデリング効率が大幅に向上する。
さらに、ハイパーパラメータの探索空間を利用してモデル精度を向上させるために、局所探索が関与する。
高忠実度モデルは低忠実度モデルのハイパーパラメータと似た方法で構築され、高忠実度モデルのハイパーパラメータの相対値として機能する。
提案法の性能は, コンプレッサロータの等方性効率をモデル化する工学的問題と10以上の解析的問題とを比較検討することにより, 従来のチューニング戦略と比較した。
実験の結果,提案手法のモデル化時間はモデル精度を犠牲にすることなく大幅に短縮された。
圧縮機ローターの等エントロピー効率のモデル化では,従来の手法に比べて約90%のコスト削減が可能であった。
一方,提案手法は高い精度を実現する。
関連論文リスト
- Multi-fidelity reduced-order surrogate modeling [5.346062841242067]
我々は,次元削減と多要素ニューラルネットワークのサロゲートを組み合わせた新しいデータ駆動型戦略を提案する。
このサロゲート法により不安定性と過渡性の開始が良好に捉えられることを示す。
論文 参考訳(メタデータ) (2023-09-01T08:16:53Z) - E^2VPT: An Effective and Efficient Approach for Visual Prompt Tuning [55.50908600818483]
新しいタスクのための微調整された大規模な事前学習型ビジョンモデルは、パラメーター集約化が進んでいる。
本稿では,大規模なトランスフォーマーモデル適応のための効果的かつ効率的なビジュアルプロンプトチューニング(E2VPT)手法を提案する。
提案手法は2つのベンチマークにおいて,最先端のベースラインを上回っている。
論文 参考訳(メタデータ) (2023-07-25T19:03:21Z) - Understanding Parameter Sharing in Transformers [53.75988363281843]
トランスフォーマーに関するこれまでの研究は、異なるレイヤでパラメータを共有することに集中しており、モデルの深さを増大させることで、限られたパラメータを持つモデルの性能を向上させることができる。
このアプローチの成功は, モデル複雑性の増加により, ごく一部に過ぎず, 収束性の向上に大きく寄与することを示す。
8つの機械翻訳タスクの実験結果から,パラメータ共有モデルのモデル複雑性を半分に抑えて,我々のモデルが競合性能を達成することが示された。
論文 参考訳(メタデータ) (2023-06-15T10:48:59Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳(メタデータ) (2023-06-10T08:25:16Z) - Active-Learning-Driven Surrogate Modeling for Efficient Simulation of
Parametric Nonlinear Systems [0.0]
支配方程式がなければ、パラメトリック還元次代理モデルを非侵襲的に構築する必要がある。
我々の研究は、パラメータのスナップショットを効率的に表示するための非侵入的最適性基準を提供する。
カーネルベースの浅層ニューラルネットワークを用いた能動的学習駆動サロゲートモデルを提案する。
論文 参考訳(メタデータ) (2023-06-09T18:01:14Z) - On the Effectiveness of Parameter-Efficient Fine-Tuning [79.6302606855302]
現在、多くの研究が、パラメータのごく一部のみを微調整し、異なるタスク間で共有されるパラメータのほとんどを保持することを提案している。
これらの手法は, いずれも細粒度モデルであり, 新たな理論的解析を行う。
我々の理論に根ざした空間性の有効性にもかかわらず、調整可能なパラメータをどう選ぶかという問題はまだ未解決のままである。
論文 参考訳(メタデータ) (2022-11-28T17:41:48Z) - Sliced gradient-enhanced Kriging for high-dimensional function
approximation [2.8228516010000617]
Gradient-enhanced Kriging (GE-Kriging)は、高価な計算モデルを近似するために確立されたサロゲートモデリング技術である。
固有相関行列のサイズのため、高次元問題に対して実用的でない傾向にある。
SGE-Kriging (Sliced GE-Kriging, SGE-Kriging) と呼ばれる新しい手法を開発し, 相関行列のサイズを小さくする。
その結果,SGE-Krigingモデルでは,標準モデルに匹敵する精度と堅牢性を特徴とするが,トレーニングコストの低減が図られた。
論文 参考訳(メタデータ) (2022-04-05T07:27:14Z) - Fast and More Powerful Selective Inference for Sparse High-order
Interaction Model [17.549975092550074]
本研究では,Sparse High-order Interaction Model (SHIM)について考察する。
統計的に重要な高次相互作用を見つけることは、その効果の本質的な高次元性のために困難である。
我々の主な貢献は、高次相互作用モデルへの選択的推論のために最近開発されたパラメトリックプログラミングアプローチを拡張することである。
論文 参考訳(メタデータ) (2021-06-09T09:22:42Z) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳(メタデータ) (2020-06-18T19:11:54Z) - 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。