論文の概要: Enhancing Polynomial Chaos Expansion Based Surrogate Modeling using a
Novel Probabilistic Transfer Learning Strategy
- arxiv url: http://arxiv.org/abs/2312.04648v1
- Date: Thu, 7 Dec 2023 19:16:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-11 17:31:59.224351
- Title: Enhancing Polynomial Chaos Expansion Based Surrogate Modeling using a
Novel Probabilistic Transfer Learning Strategy
- Title(参考訳): 新しい確率的移動学習戦略を用いた多項カオス拡張に基づくサロゲートモデリングの強化
- Authors: Wyatt Bridgman, Uma Balakrishnan, Reese Jones, Jiefu Chen, Xuqing Wu,
Cosmin Safta, Yueqin Huang, Mohammad Khalil
- Abstract要約: ブラックボックスシミュレーションでは、非侵入型PCEは一連のシミュレーション応答評価を用いてサロゲートを構築することができる。
そこで我々は,類似のPCEサロゲート構築タスクを通じて得られた知識を新たなサロゲート構築タスクに転送することで,伝達学習を活用することを提案する。
- 参考スコア(独自算出の注目度): 2.980666177064344
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the field of surrogate modeling, polynomial chaos expansion (PCE) allows
practitioners to construct inexpensive yet accurate surrogates to be used in
place of the expensive forward model simulations. For black-box simulations,
non-intrusive PCE allows the construction of these surrogates using a set of
simulation response evaluations. In this context, the PCE coefficients can be
obtained using linear regression, which is also known as point collocation or
stochastic response surfaces. Regression exhibits better scalability and can
handle noisy function evaluations in contrast to other non-intrusive
approaches, such as projection. However, since over-sampling is generally
advisable for the linear regression approach, the simulation requirements
become prohibitive for expensive forward models. We propose to leverage
transfer learning whereby knowledge gained through similar PCE surrogate
construction tasks (source domains) is transferred to a new
surrogate-construction task (target domain) which has a limited number of
forward model simulations (training data). The proposed transfer learning
strategy determines how much, if any, information to transfer using new
techniques inspired by Bayesian modeling and data assimilation. The strategy is
scrutinized using numerical investigations and applied to an engineering
problem from the oil and gas industry.
- Abstract(参考訳): 代用サロゲートモデリングの分野では、多項式カオス展開(PCE)により、高価なフォワードモデルシミュレーションの代わりに安価で正確な代用サロゲートを構築することができる。
ブラックボックスシミュレーションでは、非侵入型PCEは一連のシミュレーション応答評価を用いてこれらのサロゲートを構築することができる。
この文脈では、pce係数は線形回帰を用いて得られるが、これはポイントコロケーションや確率応答曲面としても知られている。
回帰は優れたスケーラビリティを示し、プロジェクションのような他の非侵襲的なアプローチとは対照的にノイズの多い関数評価を処理できる。
しかしながら、オーバーサンプリングは一般に線形回帰アプローチに推奨されるため、高価な前方モデルではシミュレーション要求は禁止される。
そこで本研究では,同様のpceサロゲート構築タスク(ソースドメイン)を通じて得られる知識を,限られたフォワードモデルシミュレーション(トレーニングデータ)を持つ新しいサロゲート構築タスク(ターゲットドメイン)に転送するトランスファー学習の活用を提案する。
提案する転送学習戦略は,ベイズモデリングとデータ同化に触発された新しい手法を用いて,転送する情報量を決定する。
この戦略は数値的な調査によって精査され、石油・ガス産業の工学的問題に適用される。
関連論文リスト
- End-to-End Reinforcement Learning of Koopman Models for Economic
Nonlinear Model Predictive Control [50.0791489606211]
非線形モデル予測制御((e)NMPC)は、すべての状態空間領域において十分正確なシステムモデルを必要とする。
メカニスティックモデルのためのデータ駆動サロゲートモデルは、(e)NMPCの計算負担を軽減するために使用できる。
In this method for end-to-end reinforcement learning of dynamic surrogate model for optimal performance in (e)NMPC applications。
論文 参考訳(メタデータ) (2023-08-03T10:21:53Z) - Simulation-based inference using surjective sequential neural likelihood
estimation [50.24983453990065]
主観的逐次的ニューラルネットワーク類似度推定はシミュレーションに基づく推論の新しい手法である。
データを低次元空間に埋め込むことで、SSNLは高次元データセットに適用する際の従来の可能性ベースの手法が抱えるいくつかの問題を解く。
論文 参考訳(メタデータ) (2023-08-02T10:02:38Z) - A stable deep adversarial learning approach for geological facies
generation [32.97208255533144]
深層生成学習は、従来の地形シミュレーションモデルの限界を克服するための有望なアプローチである。
本研究は, 地下ボリュームにおける条件付き蛇行チャネルに対する, 生成的対向ネットワークと深部変動推論の適用性について検討することを目的とする。
論文 参考訳(メタデータ) (2023-05-12T14:21:14Z) - Data efficient surrogate modeling for engineering design: Ensemble-free
batch mode deep active learning for regression [0.6021787236982659]
そこで本研究では,学生と教師の共用で,サロゲートモデルを学習するための,シンプルでスケーラブルな学習手法を提案する。
提案手法を用いることで,DBALやモンテカルロサンプリングのような他のベースラインと同レベルのサロゲート精度が得られる。
論文 参考訳(メタデータ) (2022-11-16T02:31:57Z) - When to Update Your Model: Constrained Model-based Reinforcement
Learning [50.74369835934703]
モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。
続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。
さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
論文 参考訳(メタデータ) (2022-10-15T17:57:43Z) - DeepAL for Regression Using $\epsilon$-weighted Hybrid Query Strategy [0.799536002595393]
能動学習(AL)法と深層学習(DL)法を組み合わせた新しいサンプリング手法を提案する。
我々はこのメソッドを$epsilon$-weighted hybrid query strategy(epsilon$-HQS)と呼ぶ。
実験による評価では, 他の試料選択法と比較してサロゲートの精度が向上した。
論文 参考訳(メタデータ) (2022-06-24T14:38:05Z) - Black-box Bayesian inference for economic agent-based models [0.0]
2種類のブラックボックス近似ベイズ推定法の有効性について検討した。
ニューラルネットワークに基づくブラックボックス法は, 経済シミュレーションモデルに対して, アートパラメータ推論の状態を提示する。
論文 参考訳(メタデータ) (2022-02-01T18:16:12Z) - Learning to Reweight Imaginary Transitions for Model-Based Reinforcement
Learning [58.66067369294337]
モデルが不正確または偏りがある場合、虚構軌跡はアクション値とポリシー関数を訓練するために欠落する可能性がある。
虚構遷移を適応的に再重み付けし, 未生成軌跡の負の効果を低減させる。
提案手法は,複数のタスクにおいて,最先端のモデルベースおよびモデルフリーなRLアルゴリズムより優れる。
論文 参考訳(メタデータ) (2021-04-09T03:13:35Z) - Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。
これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
論文 参考訳(メタデータ) (2021-03-01T22:55:48Z) - Model-Augmented Q-learning [112.86795579978802]
モデルベースRLの構成要素を付加したMFRLフレームワークを提案する。
具体的には、$Q$-valuesだけでなく、共有ネットワークにおける遷移と報酬の両方を見積もる。
提案手法は,MQL (Model-augmented $Q$-learning) とよばれる提案手法により,真に報いられた学習によって得られる解と同一のポリシ不変解が得られることを示す。
論文 参考訳(メタデータ) (2021-02-07T17:56:50Z) - Surrogate Model For Field Optimization Using Beta-VAE Based Regression [0.0]
油田開発に関する決定は貯水池シミュレーションに基づく最適化研究を用いて行われる。
ディープラーニングは過去にサロゲートを生成するために用いられてきたが、そのようなモデルは予測の不確かさの定量化に失敗することが多い。
最適化ワークフローで使用するシミュレーションサロゲートを生成するために,β-VAEベースの回帰法を提案する。
論文 参考訳(メタデータ) (2020-08-26T08:03:03Z)
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。