Fugu-MT 論文翻訳(概要): Uncertainty Aware Deep Learning for Particle Accelerators

論文の概要: Uncertainty Aware Deep Learning for Particle Accelerators

arxiv url: http://arxiv.org/abs/2309.14502v1
Date: Mon, 25 Sep 2023 20:01:57 GMT
ステータス: 処理完了
システム内更新日: 2023-09-27 15:56:57.566895
Title: Uncertainty Aware Deep Learning for Particle Accelerators
Title（参考訳）: 粒子加速器のための不確実性認識深層学習
Authors: Kishansingh Rajput and Malachi Schram and Karthik Somayaji
Abstract要約: 本稿では,Spallation Neutron Source (SNS) 加速器における異常ビーム予測にDeep Gaussian Process Approximation (DGPA) 法を用いた結果について述べる(分類)。我々はFermi National Accelerator Lab (FNAL) Booster Accelerator Complex (Regression) に対する不確実性を考慮したサロゲートモデルを提供する。
参考スコア（独自算出の注目度）: 0.5919433278490629
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Standard deep learning models for classification and regression applications are ideal for capturing complex system dynamics. However, their predictions can be arbitrarily inaccurate when the input samples are not similar to the training data. Implementation of distance aware uncertainty estimation can be used to detect these scenarios and provide a level of confidence associated with their predictions. In this paper, we present results from using Deep Gaussian Process Approximation (DGPA) methods for errant beam prediction at Spallation Neutron Source (SNS) accelerator (classification) and we provide an uncertainty aware surrogate model for the Fermi National Accelerator Lab (FNAL) Booster Accelerator Complex (regression).
Abstract（参考訳）: 分類および回帰アプリケーションのための標準的なディープラーニングモデルは、複雑なシステムの力学を捉えるのに最適である。しかし、入力サンプルがトレーニングデータと似ていない場合、その予測は任意に不正確なものとなる。距離認識の不確実性推定の実装は、これらのシナリオを検出し、その予測に関連する信頼度を提供するために使用できる。本稿では,スパレーション中性子源加速器(sns)加速器(分類)における乱射ビーム予測にdgpa法(deep gaussian process approximation)を用い,fermi national accelerator lab (fnal) booster accelerator complex (regression) に対する不確実性を考慮したサーロゲートモデル(regression)を提案する。

関連論文リスト

Confidence Aware Learning for Reliable Face Anti-spoofing [52.23271636362843]
本稿では,その能力境界を意識した信頼認識顔アンチスプーフィングモデルを提案する。各サンプルの予測中にその信頼性を推定する。実験の結果,提案したCA-FASは予測精度の低いサンプルを効果的に認識できることがわかった。
論文参考訳（メタデータ） (2024-11-02T14:29:02Z)
Evaluation of uncertainty estimations for Gaussian process regression based machine learning interatomic potentials [0.0]
機械学習の原子間ポテンシャルの不確実性推定は、導入した追加モデルエラーの定量化に不可欠である。我々は、クーロンおよびSOAP表現を持つGPRモデルを、ポテンシャルエネルギー表面と分子の励起エネルギーを予測する入力として考える。我々は,GPRの分散とアンサンブルに基づく不確かさが誤差とどのように関係しているか,また,固定された構成空間から最も不確実なサンプルを選択することによりモデル性能が向上するかを評価する。
論文参考訳（メタデータ） (2024-10-27T10:06:09Z)
Episodic Gaussian Process-Based Learning Control with Vanishing Tracking Errors [10.627020714408445]
本稿では,任意の追跡精度を保証するために,GPモデル学習のためのエピソード手法を開発する。導出理論の有効性はいくつかのシミュレーションで示されている。
論文参考訳（メタデータ） (2023-07-10T08:43:28Z)
Distance Preserving Machine Learning for Uncertainty Aware Accelerator Capacitance Predictions [1.1776336798216411]
ディープニューラルネットワークとガウス過程近似技術は有望な結果を示しているが、標準ディープニューラルネットワーク層による次元削減はガウス過程モデルに必要な距離情報を維持することが保証されていない。本研究では, スペクトル正規化高密度層に対する特異値分解法を, ディープ・ニューラル・ガウス過程近似モデルの特徴抽出器として用いた。本モデルでは, 距離保存の精度が向上し, 1%未満の誤差で分配容量を予測できる。
論文参考訳（メタデータ） (2023-07-05T15:32:39Z)
Training Uncertainty-Aware Classifiers with Conformalized Deep Learning [7.837881800517111]
ディープニューラルネットワークは、データ内の隠れパターンを検出し、それらを活用して予測する強力なツールであるが、不確実性を理解するように設計されていない。我々は予測力を犠牲にすることなく、より信頼性の高い不確実性推定を導出できる新しいトレーニングアルゴリズムを開発した。
論文参考訳（メタデータ） (2022-05-12T05:08:10Z)
Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。 ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
論文参考訳（メタデータ） (2021-12-15T15:17:02Z)
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)
Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
論文参考訳（メタデータ） (2021-05-28T09:23:05Z)
Probabilistic Neighbourhood Component Analysis: Sample Efficient Uncertainty Estimation in Deep Learning [25.8227937350516]
トレーニングデータの量が少ない場合,最先端のBNNとDeep Ensembleモデルの不確実性推定能力は著しく低下することを示す。サンプル効率の高い非パラメトリックkNN手法の確率的一般化を提案する。我々のアプローチは、深いkNNがその予測において根底にある不確かさを正確に定量化することを可能にする。
論文参考訳（メタデータ） (2020-07-18T21:36:31Z)
Discriminative Jackknife: Quantifying Uncertainty in Deep Learning via Higher-Order Influence Functions [121.10450359856242]
我々は、モデル損失関数の影響関数を利用して、予測信頼区間のジャックニフェ(または、アウト・ワン・アウト)推定器を構築する頻繁な手順を開発する。 1)および(2)を満たすDJは、幅広いディープラーニングモデルに適用可能であり、実装が容易であり、モデルトレーニングに干渉したり、精度を妥協したりすることなく、ポストホックな方法で適用することができる。
論文参考訳（メタデータ） (2020-06-29T13:36:52Z)
Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。