Fugu-MT 論文翻訳(概要): A clustering tool for interrogating finite element models based on eigenvectors of graph adjacency

論文の概要: A clustering tool for interrogating finite element models based on eigenvectors of graph adjacency

arxiv url: http://arxiv.org/abs/2310.16249v1
Date: Tue, 24 Oct 2023 23:49:27 GMT
ステータス: 処理完了
システム内更新日: 2023-10-26 17:38:51.792577
Title: A clustering tool for interrogating finite element models based on eigenvectors of graph adjacency
Title（参考訳）: グラフ隣接の固有ベクトルに基づく有限要素モデルの問合せのためのクラスタリングツール
Authors: Ramaseshan Kannan
Abstract要約: 本稿では,有限要素シミュレーションモデルでエラーをデバッグする教師なし学習アルゴリズムを紹介する。このアルゴリズムは、その剛性行列の隣接性の数値的性質を用いて、FEモデルにおいて自由度をクラスタリングする。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: This note introduces an unsupervised learning algorithm to debug errors in finite element (FE) simulation models and details how it was productionised. The algorithm clusters degrees of freedom in the FE model using numerical properties of the adjacency of its stiffness matrix. The algorithm has been deployed as a tool called `Model Stability Analysis' tool within the commercial structural FE suite Oasys GSA (www.oasys-software.com/gsa). It has been used successfully by end-users for debugging real world FE models and we present examples of the tool in action.
Abstract（参考訳）: 本稿では,有限要素(fe)シミュレーションモデルにおける誤りをデバッグするための教師なし学習アルゴリズムを紹介し,その生成方法について詳述する。このアルゴリズムは、剛性行列の隣接性の数値的性質を用いてfeモデルにおける自由度を集合する。このアルゴリズムは、商用構造FEスイートOasys GSA(www.oasys-software.com/gsa)の「モデル安定性解析」ツールとしてデプロイされている。実世界のfeモデルのデバッグにエンドユーザがうまく利用し、実際に動作するツールの例を示す。

関連論文リスト

CITI: Enhancing Tool Utilizing Ability in Large Language Models without Sacrificing General Performance [17.723293304671877]
コンポーネントベースツール活用能力注入法(CITI)を提案する。異なるコンポーネントの勾配に基づく重要度スコアによると、CITIは微調整プロセスによって生じる能力衝突を軽減する。実験結果から,本手法は様々な評価指標において優れた性能を発揮することが示された。
論文参考訳（メタデータ） (2024-09-20T04:06:28Z)
Decomposing and Editing Predictions by Modeling Model Computation [75.37535202884463]
コンポーネントモデリングというタスクを導入します。コンポーネントモデリングの目標は、MLモデルの予測をコンポーネントの観点から分解することだ。コンポーネント属性を推定するスケーラブルなアルゴリズムであるCOARを提案する。
論文参考訳（メタデータ） (2024-04-17T16:28:08Z)
Graph Embedded Intuitionistic Fuzzy Random Vector Functional Link Neural Network for Class Imbalance Learning [4.069144210024564]
クラス不均衡学習(GE-IFRVFL-CIL)モデルのためのグラフ埋め込み直観的ファジィRVFLを提案する。提案したGE-IFRVFL-CILモデルは、クラス不均衡問題に対処し、ノイズとアウトレーヤの有害な効果を軽減し、データセットの固有の幾何学的構造を保存するための有望な解決策を提供する。
論文参考訳（メタデータ） (2023-07-15T20:45:45Z)
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)
Detection and Evaluation of Clusters within Sequential Data [58.720142291102135]
Block Markov Chainsのクラスタリングアルゴリズムは理論的最適性を保証する。特に、私たちのシーケンシャルデータは、ヒトのDNA、テキスト、動物運動データ、金融市場から派生しています。ブロックマルコフ連鎖モデルの仮定は、実際に探索データ解析において有意義な洞察を得られることが判明した。
論文参考訳（メタデータ） (2022-10-04T15:22:39Z)
The m-connecting imset and factorization for ADMG models [10.839217026568784]
非巡回有向混合グラフ(ADMG)モデルはDAGモデルのマージンを特徴づける。 ADMGモデルは、その複雑さと分析のための統計ツールの不足のために、広く使われていない。我々はADMGによって誘導される独立モデルの代替表現を提供するm-connecting imsetを紹介する。
論文参考訳（メタデータ） (2022-07-18T22:29:15Z)
Diagnostic Tool for Out-of-Sample Model Evaluation [12.44615656370048]
モデルの将来, サンプル外損失を特徴付けるための有限キャリブレーションデータセットについて検討する。弱い仮定の下で有限サンプル保証を提供するシンプルなモデル診断ツールを提案する。
論文参考訳（メタデータ） (2022-06-22T11:13:18Z)
Hessian-based toolbox for reliable and interpretable machine learning in physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文参考訳（メタデータ） (2021-08-04T16:32:59Z)
Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
論文参考訳（メタデータ） (2021-01-07T07:33:38Z)
Improving Aspect-based Sentiment Analysis with Gated Graph Convolutional Networks and Syntax-based Regulation [89.38054401427173]
Aspect-based Sentiment Analysis (ABSA) は、特定の側面に向けて文の感情極性を予測する。依存関係ツリーは、ABSAの最先端のパフォーマンスを生成するために、ディープラーニングモデルに統合することができる。本稿では,この2つの課題を克服するために,グラフに基づく新しいディープラーニングモデルを提案する。
論文参考訳（メタデータ） (2020-10-26T07:36:24Z)
Estimating Structural Target Functions using Machine Learning and Influence Functions [103.47897241856603]
統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
論文参考訳（メタデータ） (2020-08-14T16:48:29Z)

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。