論文の概要: GenAI4UQ: A Software for Inverse Uncertainty Quantification Using Conditional Generative Models

• arxiv url: http://arxiv.org/abs/2412.07026v1
• Date: Mon, 09 Dec 2024 22:26:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-11 14:35:41.233549
• Title: GenAI4UQ: A Software for Inverse Uncertainty Quantification Using Conditional Generative Models
• Title（参考訳）: GenAI4UQ:条件付き生成モデルを用いた逆不確実性定量化ソフトウェア
• Authors: Ming Fan, Zezhong Zhang, Dan Lu, Guannan Zhang,
• Abstract要約: GenAI4UQは、モデルのキャリブレーション、パラメータ推定、アンサンブル予測における逆不確実性定量化のためのソフトウェアパッケージである。 GenAI4UQは、計算集約的な反復過程を直接学習されたマッピングに置き換えることで、モデル入力パラメータの効率的な校正を可能にする。
• 参考スコア（独自算出の注目度）: 12.162599515682786
• License:
• Abstract: We introduce GenAI4UQ, a software package for inverse uncertainty quantification in model calibration, parameter estimation, and ensemble forecasting in scientific applications. GenAI4UQ leverages a generative artificial intelligence (AI) based conditional modeling framework to address the limitations of traditional inverse modeling techniques, such as Markov Chain Monte Carlo methods. By replacing computationally intensive iterative processes with a direct, learned mapping, GenAI4UQ enables efficient calibration of model input parameters and generation of output predictions directly from observations. The software's design allows for rapid ensemble forecasting with robust uncertainty quantification, while maintaining high computational and storage efficiency. GenAI4UQ simplifies the model training process through built-in auto-tuning of hyperparameters, making it accessible to users with varying levels of expertise. Its conditional generative framework ensures versatility, enabling applicability across a wide range of scientific domains. At its core, GenAI4UQ transforms the paradigm of inverse modeling by providing a fast, reliable, and user-friendly solution. It empowers researchers and practitioners to quickly estimate parameter distributions and generate model predictions for new observations, facilitating efficient decision-making and advancing the state of uncertainty quantification in computational modeling. (The code and data are available at https://github.com/patrickfan/GenAI4UQ).
• Abstract（参考訳）: 我々は,モデルキャリブレーション,パラメータ推定,アンサンブル予測における逆不確実性定量化のためのソフトウェアパッケージであるGenAI4UQを紹介する。 GenAI4UQは生成人工知能(AI)ベースの条件モデリングフレームワークを活用し、マルコフ・チェイン・モンテカルロ法のような伝統的な逆モデリング手法の限界に対処する。 GenAI4UQは、計算集約的な反復過程を直接学習されたマッピングに置き換えることで、モデル入力パラメータの効率的な校正と、観測から直接出力予測を生成することができる。 このソフトウェアの設計は、高い計算と記憶効率を維持しながら、堅牢な不確実な定量化を伴う迅速なアンサンブル予測を可能にする。 GenAI4UQはハイパーパラメータの自動チューニングを組み込んだモデルトレーニングプロセスを単純化し、さまざまなレベルの専門知識を持つユーザに提供する。 その条件付き生成フレームワークは汎用性を確保し、幅広い科学領域に適用可能である。 GenAI4UQは、高速で信頼性があり、ユーザフレンドリーなソリューションを提供することで、逆モデリングのパラダイムを変革する。 研究者や実践者がパラメータ分布を素早く推定し、新しい観測のためのモデル予測を生成できるようにし、効率的な意思決定を容易にし、計算モデルにおける不確実性定量化の状態を推し進める。 (コードとデータはhttps://github.com/patrickfan/GenAI4UQ)。

関連論文リスト

• Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
  本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。 推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。 我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
  論文  参考訳（メタデータ） (2024-11-02T07:06:53Z)
• 4D-Var using Hessian approximation and backpropagation applied to automatically-differentiable numerical and machine learning models [1.3142789604525646]
  本稿では,誤差のバックプロパゲーションとヘッセン近似を組み合わせることで,ガウスニュートン法を効率よく近似できることを示す。 この結果は、次世代の運用予測システムにおいて、モデリング、データ同化、および新しい技術のより深い統合の可能性を示している。
  論文  参考訳（メタデータ） (2024-08-05T18:36:13Z)
• Learning to Simulate: Generative Metamodeling via Quantile Regression [2.0613075946076904]
  従来のメタモデリング技術は、シミュレータ入力と単一出力要約統計量の間の関係を学習する。 生成メタモデリングという新しい概念を提案する。 生成メタモデルは、入力仕様に基づいて多数のランダム出力を高速に生成することができる。
  論文  参考訳（メタデータ） (2023-11-29T16:46:24Z)
• Precision-Recall Divergence Optimization for Generative Modeling with GANs and Normalizing Flows [54.050498411883495]
  本研究では,ジェネレーティブ・アドバイサル・ネットワークや正規化フローなどの生成モデルのための新しいトレーニング手法を開発した。 指定された精度-リコールトレードオフを達成することは、textitPR-divergencesと呼ぶ家族からのユニークな$f$-divergenceを最小化することを意味する。 当社のアプローチは,ImageNetなどのデータセットでテストした場合の精度とリコールの両面で,BigGANのような既存の最先端モデルの性能を向上させる。
  論文  参考訳（メタデータ） (2023-05-30T10:07:17Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• 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)
• Automated Learning of Interpretable Models with Quantified Uncertainty [0.0]
  我々は遺伝子プログラミングに基づくシンボリックレグレッション(GPSR)の新しい枠組みを導入する。 GPSRはモデルエビデンスを用いて、進化の選択段階における置換確率を定式化する。 従来のGPSR実装と比較して、解釈可能性の向上、ノイズに対する堅牢性の向上、オーバーフィッティングの低減が示されている。
  論文  参考訳（メタデータ） (2022-04-12T19:56:42Z)
• Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
  我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。 トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
  論文  参考訳（メタデータ） (2020-10-27T17:54:12Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Introduction to Rare-Event Predictive Modeling for Inferential Statisticians -- A Hands-On Application in the Prediction of Breakthrough Patents [0.0]
  本稿では,予測性能の最適化を目的とした定量的分析のための機械学習(ML)手法を提案する。 両フィールド間の潜在的な相乗効果について考察する。 我々は,コンピュータサイエンスの用語のデミスティフィケーションを目指して,定量的な社会科学の聴衆に手持ちの予測モデルの導入を行っている。
  論文  参考訳（メタデータ） (2020-03-30T13:06:25Z)

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。