論文の概要: Towards the Development of an Uncertainty Quantification Protocol for
the Natural Gas Industry
- arxiv url: http://arxiv.org/abs/2308.02941v1
- Date: Sat, 5 Aug 2023 18:54:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-08 17:50:59.791905
- Title: Towards the Development of an Uncertainty Quantification Protocol for
the Natural Gas Industry
- Title（参考訳）: 天然ガス産業における不確実性定量化プロトコルの開発に向けて
- Authors: Babajide Kolade
- Abstract要約: シミュレーション結果の不確かさは意思決定プロセスに不可欠である。
本稿では,機械学習および機械シミュレーションモデルの予測の不確実性を評価するためのプロトコルを開発する。
このプロトコルは、ガス流通産業に関連するケースのテストに応用され、その応用から学んだことを提示する。
- 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: Simulations using machine learning (ML) models and mechanistic models are
often run to inform decision-making processes. Uncertainty estimates of
simulation results are critical to the decision-making process because
simulation results of specific scenarios may have wide, but unspecified,
confidence bounds that may impact subsequent analyses and decisions. The
objective of this work is to develop a protocol to assess uncertainties in
predictions of machine learning and mechanistic simulation models. The protocol
will outline an uncertainty quantification workflow that may be used to
establish credible bounds of predictability on computed quantities of interest
and to assess model sufficiency. The protocol identifies key sources of
uncertainties in machine learning and mechanistic modeling, defines applicable
methods of uncertainty propagation for these sources, and includes
statistically rational estimators for output uncertainties. The work applies
the protocol to test cases relevant to the gas distribution industry and
presents learnings from its application. The paper concludes with a brief
discussion outlining a pathway to the wider adoption of uncertainty
quantification within the industry
- Abstract（参考訳）: 機械学習(ml)モデルと機械モデルを用いたシミュレーションは、意思決定プロセスを伝えるためにしばしば行われる。
シミュレーション結果の不確実性は、特定のシナリオのシミュレーション結果が、その後の分析や決定に影響を及ぼす広い、しかし不特定な信頼範囲を持つ可能性があるため、意思決定プロセスにとって重要である。
本研究の目的は、機械学習および機械シミュレーションモデルの予測の不確実性を評価するプロトコルを開発することである。
このプロトコルは不確実な定量化ワークフローを概説し、計算された関心量に対する予測可能性の信頼できる境界を確立し、モデルの十分性を評価するのに使用できる。
このプロトコルは、機械学習とメカニスティックモデリングにおける重要な不確実性ソースを特定し、これらのソースに対して適用可能な不確実性伝播方法を定義し、出力不確実性に対する統計的に合理的な推定器を含む。
この研究は、ガス流通産業に関連する事例のテストにプロトコルを適用し、その応用から学んだことを提示する。
この論文は、業界内で不確実性定量化を広く採用するための道筋を概説する短い議論で締めくくっている。
関連論文リスト
- Uncertainty measurement for complex event prediction in safety-critical systems [0.36832029288386137]
複合イベント処理(CEP)の不確実性は、組込みおよび安全クリティカルシステムにとって重要である。
本稿では,事象の知覚と予測の不確実性を測定する方法を示す。
我々は、研究と研究の分野で非常に有望な成果を提示し、議論する。
論文 参考訳（メタデータ） (2024-11-02T15:51:37Z) - A Probabilistic Perspective on Unlearning and Alignment for Large Language Models [48.96686419141881]
大規模言語モデル(LLM)における最初の形式的確率的評価フレームワークを紹介する。
モデルの出力分布に関する高い確率保証を持つ新しい指標を導出する。
私たちのメトリクスはアプリケーションに依存しないので、デプロイ前にモデル機能についてより信頼性の高い見積を行うことができます。
論文 参考訳（メタデータ） (2024-10-04T15:44:23Z) - Decomposing Uncertainty for Large Language Models through Input Clarification Ensembling [69.83976050879318]
大規模言語モデル(LLM)では、不確実性の原因を特定することが、信頼性、信頼性、解釈可能性を改善するための重要なステップである。
本稿では,LLMのための不確実性分解フレームワークについて述べる。
提案手法は,入力に対する一連の明確化を生成し,それらをLLMに入力し,対応する予測をアンサンブルする。
論文 参考訳（メタデータ） (2023-11-15T05:58:35Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳（メタデータ） (2023-08-03T12:43:21Z) - Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。
本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。
新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
論文 参考訳（メタデータ） (2023-07-19T12:11:15Z) - Physics-constrained Random Forests for Turbulence Model Uncertainty
Estimation [0.0]
乱流モデルの不確実性を考慮した物理制約付き手法について論じる。
ユーザ入力を排除するため,データ駆動型機械学習戦略を取り入れた。
論文 参考訳（メタデータ） (2023-06-23T08:44:56Z) - Quantifying Deep Learning Model Uncertainty in Conformal Prediction [1.4685355149711297]
コンフォーマル予測(Conformal Prediction)は、モデルの不確実性を表現するための有望なフレームワークである。
本稿では,最先端CP手法とその理論的基礎について考察する。
論文 参考訳（メタデータ） (2023-06-01T16:37:50Z) - A Meta-heuristic Approach to Estimate and Explain Classifier Uncertainty [0.4264192013842096]
本研究は,人間と機械学習の双方の意思決定に相互に関係する因子の観点から,インスタンスの複雑性を特徴付けるクラス非依存型メタヒューリスティックスを提案する。
提案された測度とフレームワークは、より複雑なインスタンスのモデル開発を改善するとともに、モデルの棄却と説明の新しい手段を提供するという約束を持っている。
論文 参考訳（メタデータ） (2023-04-20T13:09:28Z) - Dense Uncertainty Estimation via an Ensemble-based Conditional Latent
Variable Model [68.34559610536614]
我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。
そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。
以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
論文 参考訳（メタデータ） (2021-11-22T08:54:10Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - Predictive Capability Maturity Quantification using Bayesian Network [0.0]
原子力工学では、リスクインフォームド安全分析を支援するためにモデリングとシミュレーション(M&S)が広く適用されている。
データギャップのため、検証は不確実性の下で意思決定プロセスとなる。
本稿では,ベイズネットワーク(PCMQBN)を用いた予測能力成熟度定量化フレームワークを,シミュレーション精度を評価するための定量化フレームワークとして提案する。
論文 参考訳（メタデータ） (2020-08-31T17:09:09Z)
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。