論文の概要: Conformal Approach To Gaussian Process Surrogate Evaluation With
Coverage Guarantees
- arxiv url: http://arxiv.org/abs/2401.07733v1
- Date: Mon, 15 Jan 2024 14:45:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 16:45:54.062716
- Title: Conformal Approach To Gaussian Process Surrogate Evaluation With
Coverage Guarantees
- Title(参考訳): 被覆保証付きガウス過程評価への共形的アプローチ
- Authors: Edgar Jaber (EDF R&D PRISME, CB, LISN), Vincent Blot (The State of the
Art AI company, LISN), Nicolas Brunel (The State of the Art AI company,
ENSIIE), Vincent Chabridon (EDF R&D PRISME, SINCLAIR AI Lab), Emmanuel Remy
(EDF R&D PRISME), Bertrand Iooss (EDF R&D PRISME, IMT, SINCLAIR AI Lab, GdR
MASCOT-NUM), Didier Lucor (LISN), Mathilde Mougeot (CB, ENSIIE), Alessandro
Leite (LISN)
- Abstract要約: 適応型クロスコンフォーマル予測区間を構築する手法を提案する。
結果として生じる共形予測区間は、ベイズ的信頼性集合に類似した適応性のレベルを示す。
原子炉の蒸気発生器における閉鎖現象の高コスト・評価シミュレータのサロゲートモデリングの文脈において, 本手法の適用可能性を示す。
- 参考スコア(独自算出の注目度): 47.22930583160043
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gaussian processes (GPs) are a Bayesian machine learning approach widely used
to construct surrogate models for the uncertainty quantification of computer
simulation codes in industrial applications. It provides both a mean predictor
and an estimate of the posterior prediction variance, the latter being used to
produce Bayesian credibility intervals. Interpreting these intervals relies on
the Gaussianity of the simulation model as well as the well-specification of
the priors which are not always appropriate. We propose to address this issue
with the help of conformal prediction. In the present work, a method for
building adaptive cross-conformal prediction intervals is proposed by weighting
the non-conformity score with the posterior standard deviation of the GP. The
resulting conformal prediction intervals exhibit a level of adaptivity akin to
Bayesian credibility sets and display a significant correlation with the
surrogate model local approximation error, while being free from the underlying
model assumptions and having frequentist coverage guarantees. These estimators
can thus be used for evaluating the quality of a GP surrogate model and can
assist a decision-maker in the choice of the best prior for the specific
application of the GP. The performance of the method is illustrated through a
panel of numerical examples based on various reference databases. Moreover, the
potential applicability of the method is demonstrated in the context of
surrogate modeling of an expensive-to-evaluate simulator of the clogging
phenomenon in steam generators of nuclear reactors.
- Abstract(参考訳): ガウス過程(英: Gaussian process, GP)は、産業アプリケーションにおけるコンピュータシミュレーションコードの不確実性定量化のための代理モデルを構築するために広く用いられている機械学習手法である。
平均予測器と後続予測分散の推定の両方を提供し、後者はベイズ信頼区間を生成するために使用される。
これらの区間の解釈は、シミュレーションモデルのガウス性や、必ずしも適切ではない事前の well-specification に依存する。
我々は,この問題を共形予測の助けを借りて解決することを提案する。
本研究では,非整合性スコアとGPの標準偏差を重み付け,適応型クロスコンフォーマル予測区間を構築する手法を提案する。
結果の共形予測間隔はベイズ的信頼度セットに類似した適応性のレベルを示し、下層のモデル仮定から解放され、頻繁なカバレッジ保証を持ちながら、代理モデル局所近似誤差と有意な相関を示す。
したがって、これらの推定器はgpサーロゲートモデルの品質評価に使用することができ、gpの特定の適用に最適な事前の選択において意思決定者を支援することができる。
本手法の性能は,様々な参照データベースに基づく数値例のパネルを通して示す。
さらに, 原子炉の蒸気発生器における閉鎖現象の高コスト・評価シミュレータのサロゲートモデリングの文脈において, 本手法の適用可能性を示す。
関連論文リスト
- Calibrating Neural Simulation-Based Inference with Differentiable
Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。
古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。
既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文 参考訳(メタデータ) (2023-10-20T10:20:45Z) - Sharp Calibrated Gaussian Processes [58.94710279601622]
キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。
本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。
我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
論文 参考訳(メタデータ) (2023-02-23T12:17:36Z) - Bayesian Sparse Regression for Mixed Multi-Responses with Application to
Runtime Metrics Prediction in Fog Manufacturing [6.288767115532775]
フォッグ製造は、分散計算Fogユニットを通じて従来の製造システムを大幅に強化することができる。
予測オフロード手法は,実行時のパフォーマンス指標の正確な予測と不確かさの定量化に大きく依存していることが知られている。
本稿では,多変量混合応答に対するベイジアンスパース回帰法を提案し,実行時性能指標の予測を強化する。
論文 参考訳(メタデータ) (2022-10-10T16:14:08Z) - CovarianceNet: Conditional Generative Model for Correct Covariance
Prediction in Human Motion Prediction [71.31516599226606]
本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。
我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
論文 参考訳(メタデータ) (2021-09-07T09:38:24Z) - Variational Inference with NoFAS: Normalizing Flow with Adaptive
Surrogate for Computationally Expensive Models [7.217783736464403]
マルコフ連鎖モンテカルロのようなサンプリングに基づくアプローチの使用は、それぞれの可能性評価が計算的に高価であるときに難解になる可能性がある。
変分推論と正規化フローを組み合わせた新しいアプローチは、潜在変数空間の次元と線形にしか成長しない計算コストによって特徴づけられる。
本稿では,ニューラルネットワークサロゲートモデルの正規化フローパラメータと重みを代わりに更新する最適化戦略である,適応サロゲートを用いた正規化フロー(NoFAS)を提案する。
論文 参考訳(メタデータ) (2021-08-28T14:31:45Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳(メタデータ) (2021-04-11T09:50:24Z) - Approximate Bayesian inference from noisy likelihoods with Gaussian
process emulated MCMC [0.24275655667345403]
ガウス過程(GP)を用いた対数様関数をモデル化する。
主な方法論的革新は、正確なメトロポリス・ハスティングス(MH)サンプリングが行う進歩をエミュレートするためにこのモデルを適用することである。
得られた近似サンプリング器は概念的には単純で、試料効率が高い。
論文 参考訳(メタデータ) (2021-04-08T17:38:02Z) - Bayesian Imaging With Data-Driven Priors Encoded by Neural Networks:
Theory, Methods, and Algorithms [2.266704469122763]
本稿では,事前知識がトレーニングデータとして利用可能である逆問題に対して,ベイズ推定を行う新しい手法を提案する。
容易に検証可能な条件下で,関連する後方モーメントの存在と適切性を確立する。
モデル精度解析により、データ駆動モデルによって報告されるベイズ確率は、頻繁な定義の下で著しく正確であることが示された。
論文 参考訳(メタデータ) (2021-03-18T11:34:08Z) - Gaussian Process Regression with Local Explanation [28.90948136731314]
本稿では,各サンプルの予測に寄与する特徴を明らかにするため,局所的な説明を伴うGPRを提案する。
提案モデルでは,各サンプルの予測と説明を,容易に解釈可能な局所線形モデルを用いて行う。
新しい試験サンプルでは, 対象変数と重みベクトルの値と不確かさを予測できる。
論文 参考訳(メタデータ) (2020-07-03T13:22:24Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z)
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。