論文の概要: A comprehensive framework for multi-fidelity surrogate modeling with
noisy data: a gray-box perspective
- arxiv url: http://arxiv.org/abs/2401.06447v1
- Date: Fri, 12 Jan 2024 08:37:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 19:54:39.661477
- Title: A comprehensive framework for multi-fidelity surrogate modeling with
noisy data: a gray-box perspective
- Title（参考訳）: 雑音データを用いた多要素サロゲートモデリングのための包括的フレームワーク:グレーボックスの視点から
- Authors: Katerina Giannoukou, Stefano Marelli and Bruno Sudret
- Abstract要約: グレーボックスモデリングは、データ駆動(ブラックボックス)モデルとホワイトボックス(物理ベース)モデルからの情報を統合する問題に関係している。
我々はMFSM(Multi-fidelity surrogate model)を用いてこの課題を実行することを提案する。
MFSMは、様々な計算忠実度を持つモデルからの情報を新しい代理モデルに統合する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computer simulations (a.k.a. white-box models) are more indispensable than
ever to model intricate engineering systems. However, computational models
alone often fail to fully capture the complexities of reality. When physical
experiments are accessible though, it is of interest to enhance the incomplete
information offered by computational models. Gray-box modeling is concerned
with the problem of merging information from data-driven (a.k.a. black-box)
models and white-box (i.e., physics-based) models. In this paper, we propose to
perform this task by using multi-fidelity surrogate models (MFSMs). A MFSM
integrates information from models with varying computational fidelity into a
new surrogate model. The multi-fidelity surrogate modeling framework we propose
handles noise-contaminated data and is able to estimate the underlying
noise-free high-fidelity function. Our methodology emphasizes on delivering
precise estimates of the uncertainty in its predictions in the form of
confidence and prediction intervals, by quantitatively incorporating the
different types of uncertainty that affect the problem, arising from
measurement noise and from lack of knowledge due to the limited experimental
design budget on both the high- and low-fidelity models. Applied to gray-box
modeling, our MFSM framework treats noisy experimental data as the
high-fidelity and the white-box computational models as their low-fidelity
counterparts. The effectiveness of our methodology is showcased through
synthetic examples and a wind turbine application.
- Abstract（参考訳）: コンピュータシミュレーション(ホワイトボックスモデル)は複雑なエンジニアリングシステムをモデル化するのにこれまで以上に不可欠である。
しかし、計算モデルだけでは現実の複雑さを完全に捉えることができないことが多い。
しかし、物理実験が利用できる場合、計算モデルによって提供される不完全な情報を強化することが興味深い。
グレイボックスモデリングは、データ駆動モデル(ブラックボックス)とホワイトボックスモデル(物理ベース)からの情報をマージする問題に関係している。
本稿では,MFSM(Multi-fidelity surrogate model)を用いてこの課題を実行することを提案する。
MFSMは、様々な計算忠実度を持つモデルからの情報を新しい代理モデルに統合する。
提案するマルチファイダリティ・サロゲート・モデリング・フレームワークは,ノイズ汚染データを処理し,基礎となるノイズフリー高ファイダリティ関数を推定することができる。
提案手法は,高忠実度モデルと低忠実度モデルの両方に限定された実験設計予算により,測定ノイズと知識の欠如から生じる様々な種類の不確かさを定量的に取り入れ,信頼性と予測間隔の形で予測の不確かさを正確に推定することを強調する。
我々のMFSMフレームワークは、グレーボックスモデリングに応用し、ノイズの多い実験データを高忠実度、ホワイトボックス計算モデルを低忠実度モデルとして扱う。
本手法の有効性は, 合成例と風力タービンの適用例を通して示す。
関連論文リスト
- EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。
EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
論文 参考訳（メタデータ） (2024-05-23T05:25:45Z) - Dataless Knowledge Fusion by Merging Weights of Language Models [51.8162883997512]
微調整された事前学習言語モデルは、下流のNLPモデルを構築するための主要なパラダイムとなっている。
これは、より優れた単一モデルを生み出すために、個々のモデル間で知識を融合させる障壁を生み出します。
パラメータ空間のモデルをマージするデータレス知識融合法を提案する。
論文 参考訳（メタデータ） (2022-12-19T20:46:43Z) - Domain-aware Control-oriented Neural Models for Autonomous Underwater
Vehicles [2.4779082385578337]
ドメイン認識のレベルが異なる制御指向パラメトリックモデルを提案する。
データ駆動型ブラックボックスとAUVダイナミクスのグレイボックス表現を構築するために、普遍微分方程式を用いる。
論文 参考訳（メタデータ） (2022-08-15T17:01:14Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z) - Adaptive Reliability Analysis for Multi-fidelity Models using a
Collective Learning Strategy [6.368679897630892]
本研究は,信頼性解析のための適応多忠実ガウス法(adaptive multi-fidelity Gaussian process for reliability analysis,AMGPRA)という新しい手法を提案する。
提案手法は,最先端の単相・多相の手法と比較して計算コストを削減し,類似あるいは高い精度を実現する。
AMGPRAのキーとなる応用は、複雑で高価な物理ベースの計算モデルを用いた高忠実度不安定性モデリングである。
論文 参考訳（メタデータ） (2021-09-21T14:42:58Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Design of Dynamic Experiments for Black-Box Model Discrimination [72.2414939419588]
選択したいような動的モデル判別の設定を考えてみましょう。 (i) 最高のメカニスティックな時間変化モデルと (ii) 最高のモデルパラメータ推定値です。
勾配情報にアクセス可能な競合する力学モデルに対しては、既存の手法を拡張し、より広い範囲の問題の不確実性を組み込む。
これらのブラックボックスモデルをガウス過程サロゲートモデルに置き換えることで、モデル識別設定を拡張して、競合するブラックボックスモデルをさらに取り入れる。
論文 参考訳（メタデータ） (2021-02-07T11:34:39Z) - Overview of Gaussian process based multi-fidelity techniques with
variable relationship between fidelities [0.0]
マルチフィデリティモデリングは、異なるフィデリティモデルをマージして、計算コストに制限のある正確な結果を提供する方法である。
忠実度モデル間の関係は多忠実度モデリングにおける重要な側面である。
本稿では,ガウス過程に基づく多忠実度モデリング手法の概要について述べる。
論文 参考訳（メタデータ） (2020-06-30T12:37:41Z) - Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。
提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。
提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2020-04-22T15:15:46Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳（メタデータ） (2020-03-04T00:44:57Z)
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。