論文の概要: Evaluation of machine learning architectures on the quantification of
epistemic and aleatoric uncertainties in complex dynamical systems
- arxiv url: http://arxiv.org/abs/2306.15159v1
- Date: Tue, 27 Jun 2023 02:35:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-28 15:01:29.649776
- Title: Evaluation of machine learning architectures on the quantification of
epistemic and aleatoric uncertainties in complex dynamical systems
- Title（参考訳）: 複雑力学系における認識論的・弁別的不確かさの定量化に関する機械学習アーキテクチャの評価
- Authors: Stephen Guth, Alireza Mojahed, and Themistoklis P. Sapsis
- Abstract要約: 不確実量化(英: Uncertainty Quantification、UQ)は、モデル誤差の自己評価値である。
ガウス過程とファミリーUQ強化ニューラルネットワークの両方を含む機械学習技術について検討する。
検証データ上の正規化残差の分布と推定不確かさの分布の2つの指標を用いて,UQ精度(モデル精度とは異なる)を評価する。
- 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: Machine learning methods for the construction of data-driven reduced order
model models are used in an increasing variety of engineering domains,
especially as a supplement to expensive computational fluid dynamics for design
problems. An important check on the reliability of surrogate models is
Uncertainty Quantification (UQ), a self assessed estimate of the model error.
Accurate UQ allows for cost savings by reducing both the required size of
training data sets and the required safety factors, while poor UQ prevents
users from confidently relying on model predictions. We examine several machine
learning techniques, including both Gaussian processes and a family
UQ-augmented neural networks: Ensemble neural networks (ENN), Bayesian neural
networks (BNN), Dropout neural networks (D-NN), and Gaussian neural networks
(G-NN). We evaluate UQ accuracy (distinct from model accuracy) using two
metrics: the distribution of normalized residuals on validation data, and the
distribution of estimated uncertainties. We apply these metrics to two model
data sets, representative of complex dynamical systems: an ocean engineering
problem in which a ship traverses irregular wave episodes, and a dispersive
wave turbulence system with extreme events, the Majda-McLaughlin-Tabak model.
We present conclusions concerning model architecture and hyperparameter tuning.
- Abstract（参考訳）: データ駆動型縮小順序モデル構築のための機械学習手法は、特に設計問題に対する高価な計算流体力学の補助として、様々な工学領域で用いられている。
代理モデルの信頼性に関する重要なチェックは、モデルエラーを自己評価する不確実性定量化(UQ)である。
正確なUQは、トレーニングデータセットの必要なサイズと必要な安全要因の両方を削減し、コスト削減を可能にします。
本稿では、ガウス過程とファミリーUQ強化ニューラルネットワーク(ENN)、ベイズニューラルネットワーク(BNN)、ドロップアウトニューラルネットワーク(D-NN)、ガウスニューラルネットワーク(G-NN)などの機械学習手法について検討する。
検証データ上の正規化残差の分布と推定不確かさの分布の2つの指標を用いて,UQ精度(モデル精度とは異なる)を評価する。
これらの指標を,複雑な力学系を表す2つのモデルデータセットに適用する。船が不規則な波のエピソードを横切る海洋工学問題と,極端な事象を伴う分散波乱流問題であるmada-mclaughlin-tabakモデルである。
モデルアーキテクチャとハイパーパラメータチューニングに関する結論を示す。
関連論文リスト
- Quantifying uncertainty for deep learning based forecasting and
flow-reconstruction using neural architecture search ensembles [0.8258451067861933]
本稿では,ディープニューラルネットワーク(DNN)の自動検出手法を提案するとともに,アンサンブルに基づく不確実性定量化にも有効であることを示す。
提案手法は,タスクの高パフォーマンスニューラルネットワークアンサンブルを検出するだけでなく,不確実性をシームレスに定量化する。
本研究では, 歴史的データからの予測と, 海面温度のスパースセンサからのフロー再構成という2つの課題に対して, この枠組みの有効性を実証する。
論文 参考訳（メタデータ） (2023-02-20T03:57:06Z) - IB-UQ: Information bottleneck based uncertainty quantification for
neural function regression and neural operator learning [11.5992081385106]
本稿では,科学的機械学習タスクのための情報ボトルネック(IB-UQ)による不確実性定量化のための新しいフレームワークを提案する。
我々は,入力データの信頼度に応じて,入力を潜在表現に符号化する信頼認識エンコーダによってボトルネックを埋め込む。
また,外挿不確かさの質を高めるために,データ拡張に基づく情報ボトルネック目標を提案する。
論文 参考訳（メタデータ） (2023-02-07T05:56:42Z) - A critical look at deep neural network for dynamic system modeling [0.0]
本稿では,入力出力データを用いた動的システムのモデリングにおける(深度)ニューラルネットワークの能力に疑問を呈する。
線形時間不変(LTI)力学系の同定には、2つの代表的なニューラルネットワークモデルを比較する。
LTIシステムでは、LSTMとCFNNはノイズのないケースでも一貫したモデルを提供できない。
論文 参考訳（メタデータ） (2023-01-27T09:03:05Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳（メタデータ） (2022-09-26T17:59:58Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - Investigating the Relationship Between Dropout Regularization and Model
Complexity in Neural Networks [0.0]
ドロップアウト規則化は、ディープラーニングモデルのばらつきを低減するのに役立つ。
2,000のニューラルネットワークをトレーニングすることにより,ドロップアウト率とモデル複雑性の関係について検討する。
各密層に隠されたユニットの数から、最適なドロップアウト率を予測するニューラルネットワークを構築します。
論文 参考訳（メタデータ） (2021-08-14T23:49:33Z) - A Framework for Machine Learning of Model Error in Dynamical Systems [7.384376731453594]
データから動的システムを特定するために,機械的アプローチと機械学習アプローチを混在させる統一フレームワークを提案する。
モデルエラーがメモリレスであり、大きなメモリを持つ問題に対して、連続時間と離散時間の両方で問題を提起した。
ハイブリッド手法は、データ飢餓、モデルの複雑さの要求、全体的な予測性能において、データ駆動アプローチよりも大幅に優れています。
論文 参考訳（メタデータ） (2021-07-14T12:47:48Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳（メタデータ） (2021-05-07T11:39:05Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z)
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。