論文の概要: Robust Confinement State Classification with Uncertainty Quantification through Ensembled Data-Driven Methods

• arxiv url: http://arxiv.org/abs/2502.17397v1
• Date: Mon, 24 Feb 2025 18:25:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:55:56.489148
• Title: Robust Confinement State Classification with Uncertainty Quantification through Ensembled Data-Driven Methods
• Title（参考訳）: 組込みデータ駆動法による不確実性定量化を用いたロバスト閉じ込め状態分類
• Authors: Yoeri Poels, Cristina Venturini, Alessandro Pau, Olivier Sauter, Vlado Menkovski, the TCV team, the WPTE team,
• Abstract要約: 本研究では,不確実性定量化とモデルロバスト性を考慮した閉じ込め状態分類法を開発した。 我々は,TV放電のオフライン解析に焦点をあて,Lモード,Hモード,および中間ディザリング位相(D)を区別する。 302TCV放電のデータセットは完全にラベル付けされ、一般公開される。
• 参考スコア（独自算出の注目度）: 39.27649013012046
• License:
• Abstract: Maximizing fusion performance in tokamaks relies on high energy confinement, often achieved through distinct operating regimes. The automated labeling of these confinement states is crucial to enable large-scale analyses or for real-time control applications. While this task becomes difficult to automate near state transitions or in marginal scenarios, much success has been achieved with data-driven models. However, these methods generally provide predictions as point estimates, and cannot adequately deal with missing and/or broken input signals. To enable wide-range applicability, we develop methods for confinement state classification with uncertainty quantification and model robustness. We focus on off-line analysis for TCV discharges, distinguishing L-mode, H-mode, and an in-between dithering phase (D). We propose ensembling data-driven methods on two axes: model formulations and feature sets. The former considers a dynamic formulation based on a recurrent Fourier Neural Operator-architecture and a static formulation based on gradient-boosted decision trees. These models are trained using multiple feature groupings categorized by diagnostic system or physical quantity. A dataset of 302 TCV discharges is fully labeled, and will be publicly released. We evaluate our method quantitatively using Cohen's kappa coefficient for predictive performance and the Expected Calibration Error for the uncertainty calibration. Furthermore, we discuss performance using a variety of common and alternative scenarios, the performance of individual components, out-of-distribution performance, cases of broken or missing signals, and evaluate conditionally-averaged behavior around different state transitions. Overall, the proposed method can distinguish L, D and H-mode with high performance, can cope with missing or broken signals, and provides meaningful uncertainty estimates.
• Abstract（参考訳）: トカマクの核融合性能の最大化は、しばしば異なる運用体制を通じて達成される高エネルギー閉じ込めに依存している。 これらの閉じ込め状態の自動ラベル付けは、大規模解析やリアルタイム制御アプリケーションの実現に不可欠である。 このタスクは、近状態遷移や限界シナリオの自動化が困難になるが、データ駆動モデルで多くの成功が達成されている。 しかし、これらの手法は一般的に点推定として予測を提供しており、欠落や故障した入力信号に適切に対応できない。 広帯域適用性を実現するため,不確実な定量化とモデルロバスト性を備えた閉じ込め状態分類法を開発した。 我々は,TV放電のオフライン解析に焦点をあて,Lモード,Hモード,および中間ディザリング相(D)を区別した。 本稿では,モデル定式化と特徴集合という2つの軸上のデータ駆動手法について述べる。 前者は、リカレントフーリエニューラル演算子アーキテクチャに基づく動的定式化と、勾配ブースト決定木に基づく静的定式化を考える。 これらのモデルは、診断システムまたは物理量によって分類された複数の特徴群を用いて訓練される。 302TCV放電のデータセットは完全にラベル付けされ、一般公開される。 我々はコーエンのカッパ係数を用いて予測性能と不確実性校正における期待校正誤差を定量的に評価した。 さらに、様々な共通シナリオや代替シナリオ、個々のコンポーネントのパフォーマンス、配布外性能、故障や欠落した信号のケース、状態遷移に関する条件付き行動の評価などを用いて、パフォーマンスについて論じる。 提案手法は,L,D,Hモードを高い性能で識別し,信号の欠落や故障に対処し,有意な不確かさを推定できる。

関連論文リスト

• Bayesian Estimation and Tuning-Free Rank Detection for Probability Mass Function Tensors [17.640500920466984]
  本稿では,関節のPMFを推定し,そのランクを観測データから自動的に推定する新しい枠組みを提案する。 我々は、様々なモデルパラメータの後方分布を近似するために、変分推論(VI)に基づく決定論的解を導出し、さらに、変分推論(SVI)を利用して、VVIベースのアプローチのスケーラブルバージョンを開発する。 合成データと実映画レコメンデーションデータの両方を含む実験は、推定精度、自動ランク検出、計算効率の点で、VVIおよびSVIベースの手法の利点を示している。
  論文  参考訳（メタデータ） (2024-10-08T20:07:49Z)
• Evaluating Model Performance Under Worst-case Subpopulations [8.615300901890253]
  コア属性Zに対して定義された任意のサイズの全てのサブポピュレーションに対するモデルの最悪のケース性能について検討する。 我々は、最先端モデルのロバスト性を評価できるスケーラブルだが原則化された2段階推定手法を開発した。
  論文  参考訳（メタデータ） (2024-07-01T14:24:05Z)
• A Targeted Accuracy Diagnostic for Variational Approximations [8.969208467611896]
  変分推論(VI)はマルコフ・チェイン・モンテカルロ(MCMC)の魅力的な代替品である 既存の方法は、全変分分布の品質を特徴付ける。 配電近似精度(TADDAA)のためのTArgeted診断法を提案する。
  論文  参考訳（メタデータ） (2023-02-24T02:50:18Z)
• Robust Fitted-Q-Evaluation and Iteration under Sequentially Exogenous Unobserved Confounders [16.193776814471768]
  連続的に外生的でない共同設立者が存在する場合、ロバストな政策評価と政策最適化について検討する。 本研究は,敗血症治療のシミュレーションと実世界の縦断医療データの両方において,複雑性境界,洞察,有効性を示す。
  論文  参考訳（メタデータ） (2023-02-01T18:40:53Z)
• A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
  本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。 一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T23:31:25Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)
• TraDE: Transformers for Density Estimation [101.20137732920718]
  TraDEは自己回帰密度推定のための自己アテンションに基づくアーキテクチャである。 本稿では, 生成したサンプルを用いた回帰, 分布外検出, トレーニングデータにおける雑音に対する頑健性などのタスクについて述べる。
  論文  参考訳（メタデータ） (2020-04-06T07:32:51Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)
• Uncertainty-Gated Stochastic Sequential Model for EHR Mortality Prediction [6.170898159041278]
  本稿では,欠落変数の分布を推定し,隠れ状態の更新を行い,院内死亡の可能性を予測できる新しい変動再帰ネットワークを提案する。 我々のモデルは、これらの手順を1つのストリームで実行し、エンドツーエンドで全てのネットワークパラメータを共同で学習できることは注目に値する。
  論文  参考訳（メタデータ） (2020-03-02T04:41:28Z)

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。