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
- Uncertainty Quantification of Surrogate Models using Conformal Prediction [7.445864392018774]
我々は,モデルに依存しない方法で予測を満足する共形予測フレームワークを定式化し,ほぼゼロの計算コストを必要とする。
本稿では,決定論的モデルに対する統計的に有効なエラーバーを提供するとともに,確率論的モデルのエラーバーに対する保証を作成することを検討する。
論文 参考訳（メタデータ） (2024-08-19T10:46:19Z) - Practical multi-fidelity machine learning: fusion of deterministic and Bayesian models [0.34592277400656235]
マルチフィデリティ機械学習手法は、少ないリソース集約型高フィデリティデータと、豊富なが精度の低い低フィデリティデータを統合する。
低次元領域と高次元領域にまたがる問題に対する実用的多面性戦略を提案する。
論文 参考訳（メタデータ） (2024-07-21T10:40:50Z) - The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳（メタデータ） (2024-01-25T09:18:51Z) - Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。
本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。
新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
論文 参考訳（メタデータ） (2023-07-19T12:11:15Z) - ALUM: Adversarial Data Uncertainty Modeling from Latent Model
Uncertainty Compensation [25.67258563807856]
本稿では,モデル不確実性とデータ不確実性を扱うALUMという新しい手法を提案する。
提案するALUMはモデルに依存しないため,オーバーヘッドの少ない既存のディープモデルに容易に実装できる。
論文 参考訳（メタデータ） (2023-03-29T17:24:12Z) - General multi-fidelity surrogate models: Framework and active learning
strategies for efficient rare event simulation [1.708673732699217]
複雑な現実世界のシステムの失敗の確率を推定することは、しばしば違法に高価である。
本稿では,頑健な多要素代理モデリング戦略を提案する。
高忠実度モデル呼び出しの数を劇的に削減しながら、非常に正確であることが示されている。
論文 参考訳（メタデータ） (2022-12-07T00:03:21Z) - How Faithful is your Synthetic Data? Sample-level Metrics for Evaluating
and Auditing Generative Models [95.8037674226622]
ドメインに依存しない方法で生成モデルの忠実度,多様性,一般化性能を特徴付ける3次元評価指標を提案する。
当社のメトリクスは、精度リコール分析により統計的発散測定を統合し、モデル忠実度と多様性のサンプルおよび分布レベルの診断を可能にします。
論文 参考訳（メタデータ） (2021-02-17T18:25:30Z) - Trust but Verify: Assigning Prediction Credibility by Counterfactual
Constrained Learning [123.3472310767721]
予測信頼性尺度は統計学と機械学習において基本的なものである。
これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。
この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
論文 参考訳（メタデータ） (2020-11-24T19:52:38Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳（メタデータ） (2020-10-25T18:51:15Z) - Context-aware surrogate modeling for balancing approximation and
sampling costs in multi-fidelity importance sampling and Bayesian inverse
problems [0.0]
マルチファイダリティ法は、低コストのサロゲートモデルを利用して計算を高速化する。
代用モデルと高忠実度モデルが併用されるため、代用モデルによる貧弱な予測は、高忠実度モデルへの頻繁な関係で補うことができる。
この研究は、多重忠実度重要度サンプリングを考慮し、サロゲートモデルの忠実度を増大させることから理論的および計算的にトレードオフする。
論文 参考訳（メタデータ） (2020-10-22T13:31:51Z) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳（メタデータ） (2020-05-21T16:08:38Z)
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。