論文の概要: Confidence interval estimation of mixed oil length with conditional diffusion model
- arxiv url: http://arxiv.org/abs/2406.18603v1
- Date: Wed, 19 Jun 2024 10:07:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-01 05:40:31.428162
- Title: Confidence interval estimation of mixed oil length with conditional diffusion model
- Title（参考訳）: 条件拡散モデルによる混合油長の信頼区間推定
- Authors: Yanfeng Yang, Lihong Zhang, Ziqi Chen, Miaomiao Yu, Lei Chen,
- Abstract要約: 原油パイプライン網の経済的利益には, 混合油長の正確な推定が重要な役割を担っている。
様々な提案手法が混合油長の予測を試みたが、しばしば過小評価の可能性が極めて高い。
これは、混合油の推定した長さに固有の統計的変動を考慮できなかったためである。
- 参考スコア（独自算出の注目度）: 6.512612219665314
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurately estimating the mixed oil length plays a big role in the economic benefit for oil pipeline network. While various proposed methods have tried to predict the mixed oil length, they often exhibit an extremely high probability (around 50\%) of underestimating it. This is attributed to their failure to consider the statistical variability inherent in the estimated length of mixed oil. To address such issues, we propose to use the conditional diffusion model to learn the distribution of the mixed oil length given pipeline features. Subsequently, we design a confidence interval estimation for the length of the mixed oil based on the pseudo-samples generated by the learned diffusion model. To our knowledge, we are the first to present an estimation scheme for confidence interval of the oil-mixing length that considers statistical variability, thereby reducing the possibility of underestimating it. When employing the upper bound of the interval as a reference for excluding the mixed oil, the probability of underestimation can be as minimal as 5\%, a substantial reduction compared to 50\%. Furthermore, utilizing the mean of the generated pseudo samples as the estimator for the mixed oil length enhances prediction accuracy by at least 10\% compared to commonly used methods.
- Abstract（参考訳）: 原油パイプライン網の経済的利益には, 混合油長の正確な推定が重要な役割を担っている。
様々な提案手法が混合油長の予測を試みたが、過小評価の非常に高い確率(約50 %)を示すことが多い。
これは、混合油の推定した長さに固有の統計的変動を考慮できなかったためである。
このような問題に対処するために,我々は条件付き拡散モデルを用いて,パイプライン特性の混合油長分布を学習することを提案する。
次に,学習拡散モデルにより生成された擬似サンプルに基づいて,混合油の長さに対する信頼区間推定を設計する。
我々の知る限り、統計的変動を考慮した油混合長さの信頼区間の推定スキームを初めて提示し、過小評価の可能性を減らした。
混合油を除去するための基準としてインターバルの上界を用いる場合、過小評価の確率は5\%と最小限であり、50\%よりも大幅に低下する。
さらに、生成した擬似試料の平均を混合油長推定器として利用することにより、一般的に用いられる方法と比較して、少なくとも10倍の予測精度が向上する。
関連論文リスト
- Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。
本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。
これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
論文 参考訳（メタデータ） (2024-06-05T13:36:38Z) - Discriminative Estimation of Total Variation Distance: A Fidelity Auditor for Generative Data [10.678533056953784]
本稿では,2つの分布間の総変動(TV)距離を推定する判別手法を提案する。
本手法は,2つの分布の分類におけるベイズリスクとテレビの距離の関係を定量的に評価する。
分類において、特定の仮説クラスを選択することで、テレビの距離を推定する際の高速収束率が達成できることを実証する。
論文 参考訳（メタデータ） (2024-05-24T08:18:09Z) - Choosing a Proxy Metric from Past Experiments [54.338884612982405]
多くのランダム化実験では、長期的な計量の処理効果は測定が困難または不可能であることが多い。
一般的な方法は、いくつかの短期的プロキシメトリクスを計測して、長期的メトリックを綿密に追跡することである。
ランダム化実験の同種集団において最適なプロキシメトリックを定義し構築するための新しい統計フレームワークを導入する。
論文 参考訳（メタデータ） (2023-09-14T17:43:02Z) - Anomaly Detection with Variance Stabilized Density Estimation [49.46356430493534]
本稿では, 観測試料の確率を最大化するための分散安定化密度推定問題を提案する。
信頼性の高い異常検知器を得るために,分散安定化分布を学習するための自己回帰モデルのスペクトルアンサンブルを導入する。
我々は52のデータセットで広範なベンチマークを行い、我々の手法が最先端の結果につながることを示した。
論文 参考訳（メタデータ） (2023-06-01T11:52:58Z) - Adapting to Continuous Covariate Shift via Online Density Ratio Estimation [64.8027122329609]
分散シフトへの対処は、現代の機械学習における中心的な課題の1つだ。
歴史的情報を適切に再利用するオンライン手法を提案する。
我々の密度比推定法は, ダイナミックなリセットバウンドを楽しむことにより, 良好に動作できることが証明された。
論文 参考訳（メタデータ） (2023-02-06T04:03:33Z) - On Variance Estimation of Random Forests [0.0]
本稿では,不完全U-統計量に基づく不偏分散推定器を開発する。
我々は,計算コストを増大させることなく,より低いバイアスとより正確な信頼区間のカバレッジを評価できることを示した。
論文 参考訳（メタデータ） (2022-02-18T03:35:47Z) - Conditional Approximate Normalizing Flows for Joint Multi-Step
Probabilistic Electricity Demand Forecasting [32.907448044102864]
本研究では,条件付き近似正規化流(CANF)を導入し,長い時間的地平線上で相関が存在する場合の確率的多段階時系列予測を行う。
実験の結果, 条件付き近似正規化フローは, 多段階予測精度で他の手法よりも優れており, 最大10倍のスケジューリング決定が導かれることがわかった。
論文 参考訳（メタデータ） (2022-01-08T03:42:12Z) - Variational Refinement for Importance Sampling Using the Forward
Kullback-Leibler Divergence [77.06203118175335]
変分推論(VI)はベイズ推論における正確なサンプリングの代替として人気がある。
重要度サンプリング(IS)は、ベイズ近似推論手順の推定を微調整し、偏りを逸脱するためにしばしば用いられる。
近似ベイズ推論のための最適化手法とサンプリング手法の新たな組み合わせを提案する。
論文 参考訳（メタデータ） (2021-06-30T11:00:24Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳（メタデータ） (2021-05-25T14:35:46Z) - Machine learning for recovery factor estimation of an oil reservoir: a
tool for de-risking at a hydrocarbon asset evaluation [9.61254236966596]
本稿では,貯水池パラメータと代表統計値を用いた石油回収率推定のためのデータ駆動手法を提案する。
先進的な機械学習手法を歴史的世界の油田データセットに適用する。
論文 参考訳（メタデータ） (2020-10-07T13:33:43Z) - Convergence Rates of Empirical Bayes Posterior Distributions: A
Variational Perspective [20.51199643121034]
非パラメトリックおよび高次元推論のための経験的ベイズ後部分布の収束率について検討した。
その結果,最大辺縁度推定器によって誘導される経験的ベイズ後部分布は,階層的ベイズ後部分布の変動近似とみなすことができることがわかった。
論文 参考訳（メタデータ） (2020-09-08T19:35:27Z)
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。