論文の概要: A Meta-Learning Approach to Population-Based Modelling of Structures
- arxiv url: http://arxiv.org/abs/2302.07980v1
- Date: Wed, 15 Feb 2023 23:01:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-17 15:38:50.869928
- Title: A Meta-Learning Approach to Population-Based Modelling of Structures
- Title(参考訳): メタラーニングによる構造物の個体群モデリング
- Authors: G. Tsialiamanis, N. Dervilis, D. J. Wagg, K. Worden
- Abstract要約: 構造力学における機械学習アプローチの大きな問題は、構造データの頻繁な欠如である。
この研究は、人口ベースの構造的健康モニタリングの分野に着想を得て、人口内で知識を伝達できるモデルを作成しようとしている。
メタラーニングアプローチを用いて訓練されたモデルは、人口構造に関する推論に関する従来の機械学習手法より優れている。
- 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: A major problem of machine-learning approaches in structural dynamics is the
frequent lack of structural data. Inspired by the recently-emerging field of
population-based structural health monitoring (PBSHM), and the use of transfer
learning in this novel field, the current work attempts to create models that
are able to transfer knowledge within populations of structures. The approach
followed here is meta-learning, which is developed with a view to creating
neural network models which are able to exploit knowledge from a population of
various tasks to perform well in newly-presented tasks, with minimal training
and a small number of data samples from the new task. Essentially, the method
attempts to perform transfer learning in an automatic manner within the
population of tasks. For the purposes of population-based structural modelling,
the different tasks refer to different structures. The method is applied here
to a population of simulated structures with a view to predicting their
responses as a function of some environmental parameters. The meta-learning
approach, which is used herein is the model-agnostic meta-learning (MAML)
approach; it is compared to a traditional data-driven modelling approach, that
of Gaussian processes, which is a quite effective alternative when few data
samples are available for a problem. It is observed that the models trained
using meta-learning approaches, are able to outperform conventional machine
learning methods regarding inference about structures of the population, for
which only a small number of samples are available. Moreover, the models prove
to learn part of the physics of the problem, making them more robust than plain
machine-learning algorithms. Another advantage of the methods is that the
structures do not need to be parametrised in order for the knowledge transfer
to be performed.
- Abstract(参考訳): 構造力学における機械学習アプローチの大きな問題は、構造データの頻繁な欠如である。
最近の人口ベースの構造健康モニタリング(pbshm)の分野と、この新分野におけるトランスファーラーニングの利用に触発され、現在の研究は、構造集団内で知識を伝達できるモデルの作成を試みている。
メタラーニング(メタラーニング)は、さまざまなタスクの集団からの知識を活用して、新しく提示されたタスクでうまく機能するニューラルネットワークモデルを作成するために開発されたもので、最小限のトレーニングと、新しいタスクからの少数のデータサンプルを備える。
本手法は,タスクの個体群内で自動的に移動学習を行おうとする。
人口ベース構造モデリングの目的のために、異なるタスクは異なる構造を参照する。
本手法は, 環境パラメータの関数として応答を予測するために, シミュレーションされた構造物群に適用される。
ここで使用されるメタラーニングアプローチは、モデルに依存しないメタラーニング(MAML)アプローチであり、従来のデータ駆動型モデリングアプローチであるガウス的プロセスと比較される。
メタラーニングアプローチを用いて訓練されたモデルでは, 少数のサンプルしか得られない個体群の構造を推測する従来の機械学習手法を上回ることができることが観察された。
さらに、これらのモデルは問題の物理の一部を学ぶことを証明しており、通常の機械学習アルゴリズムよりも堅牢である。
この方法のもう1つの利点は、知識伝達を実行するために構造をパラメータ化する必要がなくなることである。
関連論文リスト
- A Hybrid Model for Few-Shot Text Classification Using Transfer and Meta-Learning [0.0]
本稿では,移動学習とメタ学習に基づく数ショットのテキスト分類モデルを提案する。
サンプルやメディアサンプルの少ない条件下では、トランスファーラーニングとメタラーニングに基づくモデルは、従来の機械学習やディープラーニングよりも大幅に優れている。
論文 参考訳(メタデータ) (2025-02-13T09:00:32Z) - PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [65.57123249246358]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。
一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。
一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文 参考訳(メタデータ) (2023-09-13T17:55:11Z) - Towards a population-informed approach to the definition of data-driven
models for structural dynamics [0.0]
ここでは人口ベーススキームを踏襲し、メタラーニング領域からの2つの異なる機械学習アルゴリズムを用いる。
このアルゴリズムは、従来の機械学習アルゴリズムよりも、関心の量を近似するのが目的のようだ。
論文 参考訳(メタデータ) (2023-07-19T09:45:41Z) - Generalization Properties of Retrieval-based Models [50.35325326050263]
検索ベースの機械学習手法は、幅広い問題で成功をおさめた。
これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。
本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
論文 参考訳(メタデータ) (2022-10-06T00:33:01Z) - DST: Dynamic Substitute Training for Data-free Black-box Attack [79.61601742693713]
そこで本研究では,対象モデルからより高速に学習するための代用モデルの促進を目的とした,新しい動的代用トレーニング攻撃手法を提案する。
タスク駆動型グラフに基づく構造情報学習の制約を導入し、生成したトレーニングデータの質を向上させる。
論文 参考訳(メタデータ) (2022-04-03T02:29:11Z) - Improving Meta-learning for Low-resource Text Classification and
Generation via Memory Imitation [87.98063273826702]
本稿では,メモリ模倣メタラーニング(MemIML)手法を提案する。
本手法の有効性を証明するために理論的解析を行った。
論文 参考訳(メタデータ) (2022-03-22T12:41:55Z) - Mixture of basis for interpretable continual learning with distribution
shifts [1.6114012813668934]
データ分散のシフトを伴う環境での継続的な学習は、いくつかの現実世界のアプリケーションでは難しい問題である。
本稿では,この問題設定に対処するために,ベイシモデル(MoB)の混合方式を提案する。
論文 参考訳(メタデータ) (2022-01-05T22:53:15Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳(メタデータ) (2021-06-17T17:26:31Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳(メタデータ) (2020-12-15T16:29:49Z) - A Visual Analytics Framework for Explaining and Diagnosing Transfer
Learning Processes [42.57604833160855]
本稿では,深層ニューラルネットワークの学習における伝達学習プロセスの多段階探索のための視覚分析フレームワークを提案する。
本フレームワークは,ニューラルネットワークの深層学習において,既存のモデルから学習した知識がどのように新たな学習タスクに変換されるかを説明するために,マルチアスペクト設計を確立する。
論文 参考訳(メタデータ) (2020-09-15T05:59:00Z)
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。