論文の概要: Probabilistic Neural Data Fusion for Learning from an Arbitrary Number
of Multi-fidelity Data Sets
- arxiv url: http://arxiv.org/abs/2301.13271v1
- Date: Mon, 30 Jan 2023 20:27:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-01 18:36:31.196743
- Title: Probabilistic Neural Data Fusion for Learning from an Arbitrary Number
of Multi-fidelity Data Sets
- Title（参考訳）: 任意個の多要素データ集合からの学習のための確率論的ニューラルデータ融合
- Authors: Carlos Mora, Jonathan Tammer Eweis-Labolle, Tyler Johnson, Likith
Gadde, Ramin Bostanabad
- Abstract要約: 本稿では,データ融合にニューラルネットワーク(NN)を用いる。
本稿では,MFモデリングを非線形多様体学習問題に変換するユニークなNNアーキテクチャを提案する。
我々のアプローチは、様々な情報源の不確実性を定量化しながら、高い予測力を提供します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In many applications in engineering and sciences analysts have simultaneous
access to multiple data sources. In such cases, the overall cost of acquiring
information can be reduced via data fusion or multi-fidelity (MF) modeling
where one leverages inexpensive low-fidelity (LF) sources to reduce the
reliance on expensive high-fidelity (HF) data. In this paper, we employ neural
networks (NNs) for data fusion in scenarios where data is very scarce and
obtained from an arbitrary number of sources with varying levels of fidelity
and cost. We introduce a unique NN architecture that converts MF modeling into
a nonlinear manifold learning problem. Our NN architecture inversely learns
non-trivial (e.g., non-additive and non-hierarchical) biases of the LF sources
in an interpretable and visualizable manifold where each data source is encoded
via a low-dimensional distribution. This probabilistic manifold quantifies
model form uncertainties such that LF sources with small bias are encoded close
to the HF source. Additionally, we endow the output of our NN with a parametric
distribution not only to quantify aleatoric uncertainties, but also to
reformulate the network's loss function based on strictly proper scoring rules
which improve robustness and accuracy on unseen HF data. Through a set of
analytic and engineering examples, we demonstrate that our approach provides a
high predictive power while quantifying various sources uncertainties.
- Abstract（参考訳）: 工学や科学の多くの応用において、アナリストは複数のデータソースに同時アクセスすることができる。
このような場合、情報取得の全体的なコストは、安価な低忠実度(LF)ソースを活用して高価な高忠実度(HF)データへの依存を減らす、データ融合または多忠実度(MF)モデリングによって低減することができる。
本稿では,データ融合にニューラルネットワーク(NN)を用いる。データは非常に少ないシナリオにおいて,データの忠実度とコストのレベルが異なる任意の数のソースから得られる。
本稿では,MFモデリングを非線形多様体学習問題に変換するユニークなNNアーキテクチャを提案する。
我々のNNアーキテクチャは、低次元分布を介して各データソースが符号化される解釈可能かつ可視化可能な多様体において、LFソースの非自明(例えば、非付加的および非階層的)バイアスを逆学習する。
この確率多様体は、小さなバイアスを持つLF源がHF源に近く符号化されるようなモデル形式の不確実性を定量化する。
さらに, NNの出力にパラメータ分布を付与することにより, アレタリック不確かさの定量化だけでなく, 未確認HFデータのロバスト性や精度を向上させる厳密なスコアリングルールに基づいてネットワークの損失関数を再構成する。
分析と工学の一連の例を通して、我々の手法は様々な情報源の不確かさを定量化しながら高い予測力を提供することを示した。
関連論文リスト
- Multi-Fidelity Bayesian Neural Network for Uncertainty Quantification in Transonic Aerodynamic Loads [0.0]
本稿では,多要素ベイズニューラルネットワークモデルを実装し,異なる忠実度モデルによって生成されたデータに転送学習を適用した。
その結果,マルチ忠実ベイズモデルでは,非表示データに対する総合的精度とロバスト性の観点から,最先端のCo-Krigingよりも優れていた。
論文 参考訳（メタデータ） (2024-07-08T07:34:35Z) - Multi-Fidelity Residual Neural Processes for Scalable Surrogate Modeling [19.60087366873302]
マルチフィデリティ・サロゲートモデリングは,最も高いフィデリティレベルで正確なサロゲートを学習することを目的としている。
ディープラーニングアプローチでは、ニューラルネットワークベースのエンコーダとデコーダを使用してスケーラビリティを向上させる。
本稿では,MFRNP(Multi-fidelity Residual Neural Processs)を提案する。
論文 参考訳（メタデータ） (2024-02-29T04:40:25Z) - Interpretable Multi-Source Data Fusion Through Latent Variable Gaussian Process [8.207427766052044]
提案手法は,2つの数学的および2つの材料科学ケーススタディを用いて実証および解析を行った。
シングルソースおよびソースを意識しない機械学習モデルと比較して、提案したマルチソースデータ融合フレームワークはスパースデータ問題に対してより良い予測を提供することができる。
論文 参考訳（メタデータ） (2024-02-06T16:54:59Z) - Analysis and Optimization of Wireless Federated Learning with Data
Heterogeneity [72.85248553787538]
本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。
ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。
実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-08-04T04:18:01Z) - Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。
本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
論文 参考訳（メタデータ） (2022-08-16T08:03:30Z) - Re-parameterizing VAEs for stability [1.90365714903665]
本稿では,変分オートエンコーダ(VAE)の数値安定性を訓練するための理論的アプローチを提案する。
我々の研究は、VAEが複雑な画像データセット上のアート生成結果に到達できるようにするための最近の研究によって動機づけられている。
我々は、それらが依存する正規分布のパラメータ化方法に小さな変更を加えることで、VAEを安全にトレーニングできることを示します。
論文 参考訳（メタデータ） (2021-06-25T16:19:09Z) - Unsupervised Multi-source Domain Adaptation Without Access to Source
Data [58.551861130011886]
Unsupervised Domain Adaptation (UDA)は、ラベル付きソースドメインから知識を転送することで、ラベル付きドメインの予測モデルを学ぶことを目的としている。
本稿では,ソースモデルと適切な重み付けを自動的に組み合わせ,少なくとも最良のソースモデルと同等の性能を発揮する新しい効率的なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-04-05T10:45:12Z) - MFNets: Data efficient all-at-once learning of multifidelity surrogates
as directed networks of information sources [0.0]
本稿では,コストと精度の異なる情報ソースのアンサンブルからサロゲートを構築する手法を提案する。
多面体サロゲートは、情報ソース間の接続を有向非巡回グラフとして符号化し、非線形最小二乗目標の勾配に基づく最小化により訓練する。
論文 参考訳（メタデータ） (2020-08-03T16:21:33Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳（メタデータ） (2020-03-10T03:10:41Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳（メタデータ） (2020-03-04T12:27:36Z)
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。