論文の概要: The Benefit of Noise-Injection for Dynamic Gray-Box Model Creation

• arxiv url: http://arxiv.org/abs/2310.01517v1
• Date: Mon, 2 Oct 2023 18:10:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-04 19:26:49.595378
• Title: The Benefit of Noise-Injection for Dynamic Gray-Box Model Creation
• Title（参考訳）: 動的グレーボックスモデル作成におけるノイズ注入の利点
• Authors: Mohamed Kandil, J.J. McArthur
• Abstract要約: モデル非線形性、非モデル力学、局所ミニマといった課題は、グレーボックスの生成に不確実性をもたらす。 本稿では,トレーニングデータセットにノイズを注入することで,これらの不確実性に対処する。
• 参考スコア（独自算出の注目度）: 0.9208007322096533
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Gray-box models offer significant benefit over black-box approaches for equipment emulator development for equipment since their integration of physics provides more confidence in the model outside of the training domain. However, challenges such as model nonlinearity, unmodeled dynamics, and local minima introduce uncertainties into grey-box creation that contemporary approaches have failed to overcome, leading to their under-performance compared with black-box models. This paper seeks to address these uncertainties by injecting noise into the training dataset. This noise injection enriches the dataset and provides a measure of robustness against such uncertainties. A dynamic model for a water-to-water heat exchanger has been used as a demonstration case for this approach and tested using a pair of real devices with live data streaming. Compared to the unprocessed signal data, the application of noise injection resulted in a significant reduction in modeling error (root mean square error), decreasing from 0.68 to 0.27{\deg}C. This improvement amounts to a 60% enhancement when assessed on the training set, and improvements of 50% and 45% when validated against the test and validation sets, respectively.
• Abstract（参考訳）: グレーボックスモデルは、トレーニング領域外のモデルに対する信頼性を高めるため、機器のための機器エミュレータ開発のためのブラックボックスアプローチよりも大きな利益をもたらす。 しかし、モデル非線形性、非モデルダイナミクス、局所ミニマといった課題は、現代のアプローチが克服できなかったグレイボックスの生成に不確実性をもたらし、ブラックボックスモデルに比べて性能が低くなる。 本稿では,トレーニングデータセットにノイズを注入することで,これらの不確実性に対処する。 このノイズ注入はデータセットを豊かにし、そのような不確実性に対する堅牢性の尺度を提供する。 水対水熱交換器の動的モデルがこのアプローチの実証ケースとして使われ、実データストリーミングを備えた2つの実デバイスを用いてテストされている。 非処理信号データと比較すると、ノイズインジェクションの適用によりモデリングエラー(根平均二乗誤差)が大幅に減少し、0.68から0.27{\deg}cに減少した。 この改善は、トレーニングセットで評価すると60%向上し、テストセットと検証セットに対して検証した場合、それぞれ50%と45%の改善となる。

関連論文リスト

• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Blue noise for diffusion models [50.99852321110366]
  本稿では,画像内および画像間の相関雑音を考慮した拡散モデルを提案する。 我々のフレームワークは、勾配流を改善するために、1つのミニバッチ内に画像間の相関を導入することができる。 本手法を用いて,各種データセットの質的,定量的な評価を行う。
  論文  参考訳（メタデータ） (2024-02-07T14:59:25Z)
• Not All Steps are Equal: Efficient Generation with Progressive Diffusion Models [62.155612146799314]
  ステップ適応トレーニングと呼ばれる新しい2段階のトレーニング戦略を提案する。 初期段階では、ベース・デノナイジング・モデルはすべてのタイムステップを包含するように訓練される。 タイムステップを別々のグループに分割し、各グループ内でモデルを微調整して、特殊な認知機能を実現します。
  論文  参考訳（メタデータ） (2023-12-20T03:32:58Z)
• Ensemble models outperform single model uncertainties and predictions for operator-learning of hypersonic flows [43.148818844265236]
  限られた高忠実度データに基づく科学機械学習(SciML)モデルのトレーニングは、これまで見たことのない状況に対する行動の迅速な予測に1つのアプローチを提供する。 高忠実度データは、探索されていない入力空間におけるSciMLモデルのすべての出力を検証するために、それ自体が限られた量である。 我々は3つの異なる不確実性メカニズムを用いてDeepONetを拡張した。
  論文  参考訳（メタデータ） (2023-10-31T18:07:29Z)
• Evaluating Similitude and Robustness of Deep Image Denoising Models via Adversarial Attack [60.40356882897116]
  ディープニューラルネットワーク(DNN)は、従来の画像復調アルゴリズムよりも優れたパフォーマンスを示している。 本稿では,現在のディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディナイジング・PGD(Denoising-PGD)と名づけられた敵攻撃手法を提案する。
  論文  参考訳（メタデータ） (2023-06-28T09:30:59Z)
• A Physics-informed Diffusion Model for High-fidelity Flow Field Reconstruction [0.0]
  本研究では,高忠実度データのみを使用する拡散モデルを提案する。 異なる構成で、本モデルでは、正規の低忠実度サンプルまたはスパース測定サンプルから高忠実度データを再構成することができる。 本モデルでは, 異なる入力源に基づく2次元乱流の正確な再構成結果が得られるが, 再学習は行わない。
  論文  参考訳（メタデータ） (2022-11-26T23:14:18Z)
• Diffusion Denoising Process for Perceptron Bias in Out-of-distribution Detection [67.49587673594276]
  我々は、識別器モデルが入力の特定の特徴に対してより敏感であることを示唆する新しいパーセプトロンバイアスの仮定を導入し、過度な問題を引き起こした。 DMの拡散分解過程 (DDP) が非対称の新たな形態として機能し, 入力を高め, 過信問題を緩和するのに適していることを示す。 CIFAR10, CIFAR100, ImageNetによる実験により, 提案手法がSOTA手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-11-21T08:45:08Z)
• MANet: Improving Video Denoising with a Multi-Alignment Network [72.93429911044903]
  本稿では,複数フローの提案とアテンションに基づく平均化を行うマルチアライメントネットワークを提案する。 大規模ビデオデータセットを用いた実験により,本手法は調音ベースラインモデルを0.2dBで改善することを示した。
  論文  参考訳（メタデータ） (2022-02-20T00:52:07Z)
• When is gray-box modeling advantageous for virtual flow metering? [0.0]
  仮想フロー計測アプリケーションにおける物理と機械学習の統合は、グレーボックスモデリングとして知られている。 本稿では、グレーボックスモデルが物理モデルやデータ駆動モデルより優れていると期待されるシナリオについて考察する。
  論文  参考訳（メタデータ） (2021-10-11T07:01:48Z)
• Closer Look at the Uncertainty Estimation in Semantic Segmentation under Distributional Shift [2.05617385614792]
  セマンティックセグメンテーションのタスクの不確かさをドメインシフトの異なるレベルで評価する。 単純な色変換は、既に強いベースラインを提供していることが示されている。 モデルのアンサンブルは、擬似ラベル生成を改善するために自己学習設定に利用された。
  論文  参考訳（メタデータ） (2021-05-31T19:50:43Z)
• Learning Generative Models using Denoising Density Estimators [29.068491722778827]
  縮退密度推定器(DDE)に基づく新しい生成モデルを提案する。 我々の主な貢献は、KL分割を直接最小化することで生成モデルを得る新しい技術である。 実験結果から, 生成モデル学習における密度推定と競争性能が大幅に向上した。
  論文  参考訳（メタデータ） (2020-01-08T20:30:40Z)

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。