論文の概要: On the hierarchical Bayesian modelling of frequency response functions
- arxiv url: http://arxiv.org/abs/2307.06263v2
- Date: Wed, 3 Jan 2024 16:38:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-04 16:57:46.887918
- Title: On the hierarchical Bayesian modelling of frequency response functions
- Title(参考訳): 周波数応答関数の階層ベイズモデルについて
- Authors: T.A. Dardeno, K. Worden, N. Dervilis, R.S. Mills, L.A. Bull
- Abstract要約: 階層的ベイズモデルは、人口(または親)とドメインレベルの統計分布を同時に学習する。
パラメータ推定値、特にデータが制限されている場合、分散は減少する。
モデリングのアプローチは従来のSHMの文脈でも示されており、単一のヘリコプターブレードが様々な温度で露出している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For situations that may benefit from information sharing among datasets,
e.g., population-based SHM of similar structures, the hierarchical Bayesian
approach provides a useful modelling structure. Hierarchical Bayesian models
learn statistical distributions at the population (or parent) and the domain
levels simultaneously, to bolster statistical strength among the parameters. As
a result, variance is reduced among the parameter estimates, particularly when
data are limited. In this paper, a combined probabilistic FRF model is
developed for a small population of nominally-identical helicopter blades,
using a hierarchical Bayesian structure, to support information transfer in the
context of sparse data. The modelling approach is also demonstrated in a
traditional SHM context, for a single helicopter blade exposed to varying
temperatures, to show how the inclusion of physics-based knowledge can improve
generalisation beyond the training data, in the context of scarce data. These
models address critical challenges in SHM, by accommodating benign variations
that present as differences in the underlying dynamics, while also considering
(and utilising), the similarities among the domains.
- Abstract(参考訳): 例えば、類似構造を持つ人口ベースのSHMのようなデータセット間の情報共有の恩恵を受ける場合、階層的ベイズアプローチは有用なモデリング構造を提供する。
階層ベイズモデルは、パラメータ間の統計強度を高めるために、人口(または親)とドメインレベルの統計分布を同時に学習する。
その結果、特にデータが制限された場合、パラメータ推定値のばらつきが低減される。
本稿では, 階層型ベイズ構造を用いて, 名前のついたヘリコプターブレードの少数集団を対象とした確率的FRFモデルを構築し, スパースデータにおける情報伝達を支援する。
モデリングのアプローチは従来のSHMの文脈でも示されており、物理に基づく知識がトレーニングデータを超えた一般化を、希少なデータでどのように改善できるかを示すために、異なる温度に露呈する単一のヘリコプターブレードに対して実証されている。
これらのモデルは、基礎となるダイナミクスの違いとして生じる良性の変化を調節し、ドメイン間の類似性を考慮(および活用)することで、SHMにおける重要な課題に対処する。
関連論文リスト
- A Priori Uncertainty Quantification of Reacting Turbulence Closure
Models using Bayesian Neural Networks [0.0]
反応流モデルにおける不確実性を捉えるためにベイズニューラルネットワークを用いる。
我々は、BNNモデルが、データ駆動クロージャモデルの不確実性の構造に関するユニークな洞察を提供することができることを示した。
このモデルの有効性は,様々な火炎条件と燃料からなるデータセットに対する事前評価によって実証される。
論文 参考訳(メタデータ) (2024-02-28T22:19:55Z) - Aggregation Weighting of Federated Learning via Generalization Bound
Estimation [65.8630966842025]
フェデレートラーニング(FL)は通常、サンプル比率によって決定される重み付けアプローチを使用して、クライアントモデルパラメータを集約する。
上記の重み付け法を,各局所モデルの一般化境界を考慮した新しい戦略に置き換える。
論文 参考訳(メタデータ) (2023-11-10T08:50:28Z) - Federated Variational Inference Methods for Structured Latent Variable
Models [1.0312968200748118]
フェデレートされた学習方法は、データが元の場所を離れることなく、分散データソースをまたいだモデルトレーニングを可能にする。
本稿では,ベイズ機械学習において広く用いられている構造的変分推論に基づく汎用的でエレガントな解を提案する。
また、標準FedAvgアルゴリズムに類似した通信効率のよい変種も提供する。
論文 参考訳(メタデータ) (2023-02-07T08:35:04Z) - A Bayesian Framework on Asymmetric Mixture of Factor Analyser [0.0]
本稿では、スキュー正規(無制限)一般化双曲型(SUNGH)分布のリッチで柔軟なクラスを持つMFAモデルを提案する。
SUNGHファミリーは、様々な方向の歪みをモデル化する柔軟性と、重み付きデータを可能にする。
因子分析モデルを考慮すると、SUNGHファミリーは誤差成分と因子スコアの両方の歪みと重みを許容する。
論文 参考訳(メタデータ) (2022-11-01T20:19:52Z) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳(メタデータ) (2022-02-23T06:11:49Z) - Optimal regularizations for data generation with probabilistic graphical
models [0.0]
経験的に、よく調和された正規化スキームは、推論されたモデルの品質を劇的に改善する。
生成的ペアワイドグラフィカルモデルの最大Aポストエリオーリ(MAP)推論におけるL2とL1の正規化について検討する。
論文 参考訳(メタデータ) (2021-12-02T14:45:16Z) - Accuracy on the Line: On the Strong Correlation Between
Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。
具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。
また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
論文 参考訳(メタデータ) (2021-07-09T19:48:23Z) - Latent Space Model for Higher-order Networks and Generalized Tensor
Decomposition [18.07071669486882]
我々は、複雑な高次ネットワーク相互作用を研究するために、一般的な潜在空間モデルとして定式化された統一フレームワークを導入する。
一般化された多線形カーネルをリンク関数として、潜伏位置と観測データとの関係を定式化する。
本手法が合成データに与える影響を実証する。
論文 参考訳(メタデータ) (2021-06-30T13:11:17Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳(メタデータ) (2021-06-03T12:59:16Z) - Post-mortem on a deep learning contest: a Simpson's paradox and the
complementary roles of scale metrics versus shape metrics [61.49826776409194]
我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。
メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。
本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
論文 参考訳(メタデータ) (2021-06-01T19:19:49Z) - GANs with Conditional Independence Graphs: On Subadditivity of
Probability Divergences [70.30467057209405]
GAN(Generative Adversarial Networks)は、データセットの基盤となる分布を学習するための現代的な手法である。
GANは、基礎となるディストリビューションに関する追加情報がないモデルフリーで設計されている。
本稿では,ベイズネット/MRFの近傍に単純な識別器群を用いたモデルベースGANの設計を提案する。
論文 参考訳(メタデータ) (2020-03-02T04:31:22Z)
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。