論文の概要: Leveraging Interpolation Models and Error Bounds for Verifiable Scientific Machine Learning

• arxiv url: http://arxiv.org/abs/2404.03586v1
• Date: Thu, 4 Apr 2024 16:52:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-05 14:02:35.717074
• Title: Leveraging Interpolation Models and Error Bounds for Verifiable Scientific Machine Learning
• Title（参考訳）: 科学的機械学習のための補間モデルと誤り境界の活用
• Authors: Tyler Chang, Andrew Gillette, Romit Maulik,
• Abstract要約: 我々は、検証可能な科学的機械学習へのベスト・オブ・ワールド・アプローチを提案する。 本稿では,複数の標準手法が効率よく計算あるいは推定できる情報的誤差境界を持つことを示す。 本稿では,エアフォイル画像からリフト・ドラッグ比を予測する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Effective verification and validation techniques for modern scientific machine learning workflows are challenging to devise. Statistical methods are abundant and easily deployed, but often rely on speculative assumptions about the data and methods involved. Error bounds for classical interpolation techniques can provide mathematically rigorous estimates of accuracy, but often are difficult or impractical to determine computationally. In this work, we present a best-of-both-worlds approach to verifiable scientific machine learning by demonstrating that (1) multiple standard interpolation techniques have informative error bounds that can be computed or estimated efficiently; (2) comparative performance among distinct interpolants can aid in validation goals; (3) deploying interpolation methods on latent spaces generated by deep learning techniques enables some interpretability for black-box models. We present a detailed case study of our approach for predicting lift-drag ratios from airfoil images. Code developed for this work is available in a public Github repository.
• Abstract（参考訳）: 現代の科学的機械学習ワークフローに対する効果的な検証と検証のテクニックを考案することは困難である。 統計手法は豊富で容易に展開できるが、しばしば関連するデータや方法に関する投機的な仮定に依存する。 古典的補間技法の誤差境界は、数学的に厳密な精度の推定を提供することができるが、しばしば計算的に決定することが困難または非現実的である。 本研究では,(1)複数の標準補間手法が効率よく計算あるいは推定できる情報的エラー境界を持つことを示すことによって,検証可能な科学的機械学習のベストプラクティスを提案する。(2)異なる補間剤の比較性能は,検証目標に役立ち,(3)深層学習技術によって生成された潜時空間に補間手法を配置することで,ブラックボックスモデルに対するある程度の解釈可能性を実現する。 本稿では,エアフォイル画像からリフト・ドラッグ比を予測するためのアプローチの詳細なケーススタディを示す。 この作業のために開発されたコードは、公開のGithubリポジトリで公開されている。

関連論文リスト

• PETScML: Second-order solvers for training regression problems in Scientific Machine Learning [0.22499166814992438]
  近年、分析のためのデータ駆動ツールとして、科学機械学習の出現を目撃している。 我々は、ディープラーニングソフトウェアと従来の機械学習技術とのギャップを埋めるために、Portable and Extensible Toolkit for Scientific計算上に構築されたソフトウェアを紹介します。
  論文  参考訳（メタデータ） (2024-03-18T18:59:42Z)
• RLIF: Interactive Imitation Learning as Reinforcement Learning [56.997263135104504]
  我々は,対話型模倣学習と類似するが,さらに実践的な仮定の下で,非政治強化学習によってパフォーマンスが向上できることを実証する。 提案手法は,ユーザ介入信号を用いた強化学習を報奨として利用する。 このことは、インタラクティブな模倣学習において介入する専門家がほぼ最適であるべきだという仮定を緩和し、アルゴリズムが潜在的に最適でない人間の専門家よりも改善される行動を学ぶことを可能にする。
  論文  参考訳（メタデータ） (2023-11-21T21:05:21Z)
• Learning Interpretable Deep Disentangled Neural Networks for Hyperspectral Unmixing [16.02193274044797]
  非線形性および終端変動を考慮した高スペクトルアンミックスのための新しい解釈可能な深層学習法を提案する。 モデルは、バックプロパゲーションを使用してエンドツーエンドに学習され、セルフ教師付き戦略を使用してトレーニングされる。 合成および実データを用いた実験結果から,提案手法の性能が示唆された。
  論文  参考訳（メタデータ） (2023-10-03T18:21:37Z)
• Matched Machine Learning: A Generalized Framework for Treatment Effect Inference With Learned Metrics [87.05961347040237]
  我々は、機械学習ブラックボックスの柔軟性とマッチングの解釈可能性を組み合わせたフレームワークであるMatched Machine Learningを紹介する。 我々のフレームワークは機械学習を用いて、一致した単位を学習し、結果を推定する最適な指標を学習する。 一致機械学習のインスタンスはブラックボックスの機械学習手法と同等に動作し、類似した問題に対する既存のマッチング手法よりも優れていることを実証的に示す。
  論文  参考訳（メタデータ） (2023-04-03T19:32:30Z)
• Interpretable models for extrapolation in scientific machine learning [0.0]
  複雑な機械学習アルゴリズムは、補間的設定において単純な回帰よりも優れていることが多い。 本稿では, モデル性能と解釈可能性のトレードオフを, 幅広い科学・工学的問題にまたがって検討する。
  論文  参考訳（メタデータ） (2022-12-16T19:33:28Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• MACE: An Efficient Model-Agnostic Framework for Counterfactual Explanation [132.77005365032468]
  MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。 MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。 公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
  論文  参考訳（メタデータ） (2022-05-31T04:57:06Z)
• Distilling Interpretable Models into Human-Readable Code [71.11328360614479]
  人間可読性は機械学習モデル解釈可能性にとって重要で望ましい標準である。 従来の方法を用いて解釈可能なモデルを訓練し,それを簡潔で可読なコードに抽出する。 本稿では,幅広いユースケースで効率的に,確実に高品質な結果を生成する分別線形曲線フィッティングアルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2021-01-21T01:46:36Z)
• Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
  補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。 テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。 以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-22T21:12:31Z)
• Learning High Order Feature Interactions with Fine Control Kernels [12.5433010409486]
  我々は、全ての可能な乗法的相互作用を特徴とするスパース統計モデルを学習するための方法論を提供する。 また、Fenchel DualityをベースとしたアルゴリズムパラダイムであるFine Control Kernelフレームワークについても紹介する。
  論文  参考訳（メタデータ） (2020-02-09T06:29:15Z)
• Active Learning in Video Tracking [8.782204980889079]
  本稿では,マッチング可能な構造化予測領域を用いた能動学習のための対角的アプローチを提案する。 我々は,この手法をビデオ中の物体追跡という,重要な構造化された予測問題においてアルゴリズム的に評価する。
  論文  参考訳（メタデータ） (2019-12-29T00:42:06Z)

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。