論文の概要: Sequential Experimental Design for Spectral Measurement: Active Learning
Using a Parametric Model
- arxiv url: http://arxiv.org/abs/2305.07040v1
- Date: Thu, 11 May 2023 13:21:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-15 15:07:34.508844
- Title: Sequential Experimental Design for Spectral Measurement: Active Learning
Using a Parametric Model
- Title(参考訳): スペクトル計測のための逐次実験設計:パラメトリックモデルを用いたアクティブラーニング
- Authors: Tomohiro Nabika, Kenji Nagata, Shun Katakami, Masaichiro Mizumaki, and
Masato Okada
- Abstract要約: 分光測定では, 試料の脆性や高エネルギーコストのため, 測定時間を短縮する必要がある。
本研究では,パラメトリックモデルを用いた能動学習によるスペクトル測定の逐次的実験設計について述べる。
- 参考スコア(独自算出の注目度): 1.9377646956063705
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this study, we demonstrate a sequential experimental design for spectral
measurements by active learning using parametric models as predictors. In
spectral measurements, it is necessary to reduce the measurement time because
of sample fragility and high energy costs. To improve the efficiency of
experiments, sequential experimental designs are proposed, in which the
subsequent measurement is designed by active learning using the data obtained
before the measurement. Conventionally, parametric models are employed in data
analysis; when employed for active learning, they are expected to afford a
sequential experimental design that improves the accuracy of data analysis.
However, due to the complexity of the formulas, a sequential experimental
design using general parametric models has not been realized. Therefore, we
applied Bayesian inference-based data analysis using the exchange Monte Carlo
method to realize a sequential experimental design with general parametric
models. In this study, we evaluated the effectiveness of the proposed method by
applying it to Bayesian spectral deconvolution and Bayesian Hamiltonian
selection in X-ray photoelectron spectroscopy. Using numerical experiments with
artificial data, we demonstrated that the proposed method improves the accuracy
of model selection and parameter estimation while reducing the measurement time
compared with the results achieved without active learning or with active
learning using the Gaussian process regression.
- Abstract(参考訳): 本研究では,パラメトリックモデルを用いた能動学習によるスペクトル測定の逐次的実験設計について述べる。
分光測定では,試料の脆性や高エネルギーコストのため,測定時間を短縮する必要がある。
実験の効率を向上させるために, 連続的な実験設計を提案し, 測定前に得られたデータを用いて, 積極的学習によりその後の測定を設計する。
従来、パラメトリックモデルはデータ分析に用いられており、アクティブラーニングにはデータ解析の精度を向上させるための逐次的な実験設計が期待されている。
しかし,公式の複雑さのため,一般パラメトリックモデルを用いた逐次実験設計は実現されていない。
そこで,交換モンテカルロ法を用いてベイズ推定に基づくデータ解析を行い,一般パラメトリックモデルを用いた逐次実験設計を実現する。
本研究では,x線光電子分光法におけるベイズスペクトル分解とベイズハミルトニアン選択に適用することにより,提案手法の有効性を評価した。
人工データを用いた数値実験により,本手法は,アクティブラーニングやガウス過程回帰を用いたアクティブラーニングと比較して,測定時間を短縮しつつ,モデル選択とパラメータ推定の精度を向上させることを実証した。
関連論文リスト
- Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳(メタデータ) (2024-04-11T09:23:36Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳(メタデータ) (2023-12-19T21:45:38Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳(メタデータ) (2023-06-03T06:19:20Z) - Online simulator-based experimental design for cognitive model selection [74.76661199843284]
本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。
シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
論文 参考訳(メタデータ) (2023-03-03T21:41:01Z) - Optimised Bayesian system identification in quantum devices [3.72081359624651]
本研究では,未知パラメータを動的モデルで推定する閉ループベイズ学習アルゴリズムを提案する。
シミュレーションキャリブレーションタスクと実験用シングルキュービットイオントラップシステムの両方でアルゴリズムの性能を実証する。
論文 参考訳(メタデータ) (2022-11-16T18:12:46Z) - Trustworthiness of Laser-Induced Breakdown Spectroscopy Predictions via
Simulation-based Synthetic Data Augmentation and Multitask Learning [4.633997895806144]
レーザ誘起分解分光法を用いてスペクトルデータの定量的解析を行う。
我々は、利用可能なトレーニングデータの小さなサイズと、未知のデータに対する推論中の予測の検証に対処する。
論文 参考訳(メタデータ) (2022-10-07T18:00:09Z) - Learning new physics efficiently with nonparametric methods [11.970219534238444]
モデルに依存しない新しい物理探索のための機械学習手法を提案する。
対応するアルゴリズムは、最近のカーネルメソッドの大規模実装によって実現されている。
トレーニング時間や計算資源の観点から、ニューラルネットワークの実装と比較して、我々のアプローチは劇的なアドバンテージがあることが示される。
論文 参考訳(メタデータ) (2022-04-05T16:17:59Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Bayesian Optimal Experimental Design for Simulator Models of Cognition [14.059933880568908]
BOEDの最近の進歩と、難解モデルに対する近似推論を組み合わせ、最適な実験設計を求める。
マルチアームバンディットタスクのシミュレーション実験により,モデル判別とパラメータ推定の改善が得られた。
論文 参考訳(メタデータ) (2021-10-29T09:04:01Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z)
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。