論文の概要: Deep Active Learning for Scientific Computing in the Wild
- arxiv url: http://arxiv.org/abs/2302.00098v1
- Date: Tue, 31 Jan 2023 20:58:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-02 13:52:14.840364
- Title: Deep Active Learning for Scientific Computing in the Wild
- Title(参考訳): 野生における科学計算のための深層能動学習
- Authors: Simiao Ren, Yang Deng, Willie J. Padilla, Leslie Collins and Jordan
Malof
- Abstract要約: 深層能動学習(DAL)は科学計算問題に対する有望な解決策として認識されている。
本稿では,10の最先端DAL法と8つのベンチマーク問題を用いて,科学計算問題に対するDAL法の堅牢性について検討する。
驚いたことに, DAL法の大部分は, 理想的なプールサイズが不明な場合に, ランダムサンプリングと比較しても頑健ではないことがわかった。
- 参考スコア(独自算出の注目度): 5.1012485915003545
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Deep learning (DL) is revolutionizing the scientific computing community. To
reduce the data gap caused by usually expensive simulations or experimentation,
active learning has been identified as a promising solution for the scientific
computing community. However, the deep active learning (DAL) literature is
currently dominated by image classification problems and pool-based methods,
which are not directly transferrable to scientific computing problems,
dominated by regression problems with no pre-defined 'pool' of unlabeled data.
Here for the first time, we investigate the robustness of DAL methods for
scientific computing problems using ten state-of-the-art DAL methods and eight
benchmark problems. We show that, to our surprise, the majority of the DAL
methods are not robust even compared to random sampling when the ideal pool
size is unknown. We further analyze the effectiveness and robustness of DAL
methods and suggest that diversity is necessary for a robust DAL for scientific
computing problems.
- Abstract(参考訳): ディープラーニング(DL)は科学コンピューティングコミュニティに革命をもたらしている。
通常高価なシミュレーションや実験によって引き起こされるデータギャップを減らすために、科学計算コミュニティにとって有望な解決策としてアクティブラーニングが特定されている。
しかし、deep active learning (dal)の文献は現在、画像分類問題とプールベースの手法で占められているが、これは科学計算の問題に直接転送することはできない。
ここでは,10の最先端DAL法と8つのベンチマーク問題を用いて,科学計算問題に対するDAL法の堅牢性について検討する。
驚いたことに、DAL法の大部分は、理想的なプールサイズが不明な場合のランダムサンプリングと比較しても堅牢ではない。
さらにDAL手法の有効性とロバスト性を解析し、科学計算問題に対する堅牢なDALには多様性が必要であることを示唆する。
関連論文リスト
- On the Limitations of Simulating Active Learning [32.34440406689871]
アクティブラーニング(アクティブラーニング、英: Active Learning、AL)は、人間のアノテーションのための情報的未ラベルデータを反復的に選択する、ヒューマン・アンド・モデル・イン・ザ・ループのパラダイムである。
この障害に対する簡単な修正は、ラベル付きで公開されているデータセットをラベルなしデータのプールとして扱うことで、ALをシミュレートすることだ。
我々は、利用可能なラベル付きデータセット上でのALアルゴリズムの評価は、実データにおけるそれらの有効性に対して低いバウンドを与えるかもしれないと論じる。
論文 参考訳(メタデータ) (2023-05-21T22:52:13Z) - Autoencoder-based Anomaly Detection in Streaming Data with Incremental
Learning and Concept Drift Adaptation [10.41066461952124]
ドリフト検出(strAEm++DD)を用いた自動エンコーダに基づく漸進学習手法を提案する。
提案手法は,逐次学習とドリフト検出の両方の利点を利用する。
我々は,重度あるいは極度のクラス不均衡を持つ実世界のデータセットと合成データセットを用いて実験を行い,StraAEm++DDの実証分析を行った。
論文 参考訳(メタデータ) (2023-05-15T19:40:04Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳(メタデータ) (2023-05-01T23:20:27Z) - Towards Robust Dataset Learning [90.2590325441068]
本稿では,頑健なデータセット学習問題を定式化するための三段階最適化法を提案する。
ロバストな特徴と非ロバストな特徴を特徴付ける抽象モデルの下で,提案手法はロバストなデータセットを確実に学習する。
論文 参考訳(メタデータ) (2022-11-19T17:06:10Z) - A Comparative Survey of Deep Active Learning [76.04825433362709]
Active Learning (AL)は、ラベル付けのための大きなラベル付けされていないデータプールからデータサンプルを順次選択することで、ラベル付けコストを削減するための一連のテクニックである。
ディープラーニング(DL)はデータハングリーであり、DLモデルのパフォーマンスは、より多くのトレーニングデータとともに単調にスケールする。
近年、Deep Active Learning (DAL) は、高価なラベリングコストを最小化しつつ、モデル性能を最大化するための実現可能なソリューションとして上昇している。
論文 参考訳(メタデータ) (2022-03-25T05:17:24Z) - IQ-Learn: Inverse soft-Q Learning for Imitation [95.06031307730245]
少数の専門家データからの模倣学習は、複雑な力学を持つ高次元環境では困難である。
行動クローニングは、実装の単純さと安定した収束性のために広く使われている単純な方法である。
本稿では,1つのQ-関数を学習することで,対向学習を回避する動的適応型ILを提案する。
論文 参考訳(メタデータ) (2021-06-23T03:43:10Z) - Sample-Efficient Reinforcement Learning via Counterfactual-Based Data
Augmentation [15.451690870640295]
医療などのいくつかのシナリオでは、通常、各患者に利用可能なレコードはごくわずかであり、現在の強化学習アルゴリズムの適用を妨げる。
構造因果モデル(SCM)を利用して状態ダイナミクスをモデル化する,データ効率の高いRLアルゴリズムを提案する。
本研究は, 軽度条件下では反実結果が識別可能であり, 反実に基づく拡張データセット上のq学習が最適値関数に収束することを示す。
論文 参考訳(メタデータ) (2020-12-16T17:21:13Z) - Bayesian Active Learning for Wearable Stress and Affect Detection [0.7106986689736827]
デバイス上での深層学習アルゴリズムによるストレス検出は、広汎なコンピューティングの進歩により増加傾向にある。
本稿では,ベイズニューラルネットワークの近似によるモデル不確実性を表現可能なフレームワークを提案する。
提案手法は, 提案手法により, 推定時の効率を著しく向上し, 獲得したプール点数がかなり少なくなる。
論文 参考訳(メタデータ) (2020-12-04T16:19:37Z) - Data-Efficient Learning for Complex and Real-Time Physical Problem
Solving using Augmented Simulation [49.631034790080406]
本稿では,大理石を円形迷路の中心まで航行する作業について述べる。
実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
論文 参考訳(メタデータ) (2020-11-14T02:03:08Z) - An Online Method for A Class of Distributionally Robust Optimization
with Non-Convex Objectives [54.29001037565384]
本稿では,オンライン分散ロバスト最適化(DRO)のクラスを解決するための実用的なオンライン手法を提案する。
本研究は,ネットワークの堅牢性向上のための機械学習における重要な応用を実証する。
論文 参考訳(メタデータ) (2020-06-17T20:19:25Z) - Fast Modeling and Understanding Fluid Dynamics Systems with
Encoder-Decoder Networks [0.0]
本研究では,有限体積シミュレータを用いて,高精度な深層学習に基づくプロキシモデルを効率的に教えることができることを示す。
従来のシミュレーションと比較して、提案したディープラーニングアプローチはより高速なフォワード計算を可能にする。
深層学習モデルの重要物理パラメータに対する感度を定量化することにより、インバージョン問題を大きな加速で解くことができることを示す。
論文 参考訳(メタデータ) (2020-06-09T17:14:08Z)
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。