論文の概要: Sensitivity Analysis on Policy-Augmented Graphical Hybrid Models with Shapley Value Estimation

• arxiv url: http://arxiv.org/abs/2411.13396v1
• Date: Wed, 20 Nov 2024 15:33:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-21 16:11:47.915549
• Title: Sensitivity Analysis on Policy-Augmented Graphical Hybrid Models with Shapley Value Estimation
• Title（参考訳）: 共有値推定を伴うポリシ強化グラフハイブリッドモデルの感度解析
• Authors: Junkai Zhao, Wei Xie, Jun Luo,
• Abstract要約: 一般非線形ポリシ拡張グラフィカル(pKG)ハイブリッドモデルに対する総合感度解析フレームワークを提案する。 提案手法は, バイオマニュファクチャリングにおける効率的な解釈と安定なプロセス制御を支援する。
• 参考スコア（独自算出の注目度）: 5.077690675309647
• License:
• Abstract: Driven by the critical challenges in biomanufacturing, including high complexity and high uncertainty, we propose a comprehensive and computationally efficient sensitivity analysis framework for general nonlinear policy-augmented knowledge graphical (pKG) hybrid models that characterize the risk- and science-based understandings of underlying stochastic decision process mechanisms. The criticality of each input (i.e., random factors, policy parameters, and model parameters) is measured by applying Shapley value (SV) sensitivity analysis to pKG (called SV-pKG), accounting for process causal interdependences. To quickly assess the SV for heavily instrumented bioprocesses, we approximate their dynamics with linear Gaussian pKG models and improve the SV estimation efficiency by utilizing the linear Gaussian properties. In addition, we propose an effective permutation sampling method with TFWW transformation and variance reduction techniques, namely the quasi-Monte Carlo and antithetic sampling methods, to further improve the sampling efficiency and estimation accuracy of SV for both general nonlinear and linear Gaussian pKG models. Our proposed framework can benefit efficient interpretation and support stable optimal process control in biomanufacturing.
• Abstract（参考訳）: バイオマニュファクチャリングにおいて, 複雑度や不確実性などの重要な課題に起因して, 確率的決定過程機構のリスクと科学に基づく理解を特徴付ける, 一般的な非線形政策強化知識グラフィカル(pKG)ハイブリッドモデルのための包括的で効率的な感度解析フレームワークを提案する。 各入力(ランダム因子、ポリシーパラメータ、モデルパラメータなど)の臨界度は、プロセス因果関係を考慮に入れ、pKG(SV-pKG)にShapley値(SV)感度分析を適用することで測定される。 重機化バイオプロセスのSVを迅速に評価するため,線形ガウスpKGモデルを用いてそれらの力学を近似し,線形ガウス特性を利用してSV推定効率を向上させる。 さらに,一般非線形および線形ガウスpKGモデルにおけるSVのサンプリング効率と推定精度を向上させるため,TFWW変換と分散低減技術,すなわち準モンテカルロ法とアンチセティックサンプリング法を用いた効率的な置換サンプリング手法を提案する。 提案手法は, バイオマニュファクチャリングにおける効率的な解釈と安定なプロセス制御を支援する。

関連論文リスト

• Adjoint Sensitivity Analysis on Multi-Scale Bioprocess Stochastic Reaction Network [2.6130735302655554]
  本稿では,機械的モデルパラメータの学習を高速化するための随伴感度アプローチを提案する。 本稿では,多スケールのバイオプロセス力学モデルを表す酵素解析(SA)について考察する。
  論文  参考訳（メタデータ） (2024-05-07T05:06:45Z)
• Using evolutionary machine learning to characterize and optimize co-pyrolysis of biomass feedstocks and polymeric wastes [14.894507238371768]
  共熱分解は、結果の液体燃料の量および品質パラメータを改善するための有望な戦略である。 機械学習(ML)は、既存のデータを活用することで、このような問題に対処する機能を提供する。 本研究は, バイオマス-ポリマー共熱分解プロセスの生成物を定量化するために, 進化的MLアプローチを導入することを目的とする。
  論文  参考訳（メタデータ） (2023-05-24T19:59:21Z)
• Stability and Generalization Analysis of Gradient Methods for Shallow Neural Networks [59.142826407441106]
  本稿では,アルゴリズム安定性の概念を活用して,浅層ニューラルネットワーク(SNN)の一般化挙動について検討する。 我々は、SNNを訓練するために勾配降下(GD)と勾配降下(SGD)を考慮する。
  論文  参考訳（メタデータ） (2022-09-19T18:48:00Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• Adaptive Latent Factor Analysis via Generalized Momentum-Incorporated Particle Swarm Optimization [6.2303427193075755]
  勾配降下(SGD)アルゴリズムは,高次元および不完全行列上に潜在因子分析(LFA)モデルを構築するための効果的な学習戦略である。 粒子群最適化(PSO)アルゴリズムは、SGDベースのLFAモデルのハイパーパラメータ(学習率と正規化係数、自己適応)を作成するために一般的に用いられる。 本論文は, 各粒子の進化過程に, 早期収束を避けるために, より歴史的情報を取り入れたものである。
  論文  参考訳（メタデータ） (2022-08-04T03:15:07Z)
• Dynamic Bayesian Network Auxiliary ABC-SMC for Hybrid Model Bayesian Inference to Accelerate Biomanufacturing Process Mechanism Learning and Robust Control [2.727760379582405]
  本稿では,バイオプロセッシング機構の複雑な因果関係を特徴付ける知識グラフハイブリッドモデルを提案する。 非線形反応、部分的に観察された状態、非定常力学を含む重要な性質を忠実に捉えることができる。 我々は、メカニズム学習を容易にし、ロバストなプロセス制御を支援する後部分布モデルの不確かさを導出する。
  論文  参考訳（メタデータ） (2022-05-05T02:54:21Z)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)
• Gaussian Process-based Min-norm Stabilizing Controller for Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
  本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。 この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
  論文  参考訳（メタデータ） (2020-11-14T01:27:32Z)
• Yield Optimization using Hybrid Gaussian Process Regression and a Genetic Multi-Objective Approach [0.0]
  本稿では,モンテカルロ解析の信頼性と精度と,ガウス過程回帰に基づく代理モデルの効率を併用したハイブリッドアプローチを提案する。 本稿では,不確実性の影響を軽減する適応Newton-MCと,性能と堅牢性を同時に最適化するための遺伝的多目的アプローチの2つの最適化手法を提案する。
  論文  参考訳（メタデータ） (2020-10-08T14:44:37Z)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)

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。