論文の概要: Rapid Parameter Inference with Uncertainty Quantification for a Radiological Plume Source Identification Problem
- arxiv url: http://arxiv.org/abs/2502.17492v1
- Date: Thu, 20 Feb 2025 18:43:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-26 15:21:09.050824
- Title: Rapid Parameter Inference with Uncertainty Quantification for a Radiological Plume Source Identification Problem
- Title（参考訳）: 放射能プルーム源同定問題に対する不確かさ定量化を用いた高速パラメータ推定
- Authors: Christopher Edwards, Ralph C Smith,
- Abstract要約: 核事故や放射線散布装置の爆発が発生した場合、ソースの早期発見が重要である。
予測値の不確かさを定量化する2つのニューラルネットワーク構造を考察する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: In the event of a nuclear accident, or the detonation of a radiological dispersal device, quickly locating the source of the accident or blast is important for emergency response and environmental decontamination. At a specified time after a simulated instantaneous release of an aerosolized radioactive contaminant, measurements are recorded downwind from an array of radiation sensors. Neural networks are employed to infer the source release parameters in an accurate and rapid manner using sensor and mean wind speed data. We consider two neural network constructions that quantify the uncertainty of the predicted values; a categorical classification neural network and a Bayesian neural network. With the categorical classification neural network, we partition the spatial domain and treat each partition as a separate class for which we estimate the probability that it contains the true source location. In a Bayesian neural network, the weights and biases have a distribution rather than a single optimal value. With each evaluation, these distributions are sampled, yielding a different prediction with each evaluation. The trained Bayesian neural network is thus evaluated to construct posterior densities for the release parameters. Results are compared to Markov chain Monte Carlo (MCMC) results found using the Delayed Rejection Adaptive Metropolis Algorithm. The Bayesian neural network approach is generally much cheaper computationally than the MCMC approach as it relies on the computational cost of the neural network evaluation to generate posterior densities as opposed to the MCMC approach which depends on the computational expense of the transport and radiation detection models.
- Abstract（参考訳）: 原子力事故や放射線散布装置の爆発が発生した場合、事故や爆発の原因を迅速に特定することが緊急対応や環境汚染にとって重要である。
エアロゾル化放射性汚染物質の模擬瞬間放出の特定の時間に、放射線センサのアレイから下風を計測する。
ニューラルネットワークを用いて、センサと平均風速データを用いて、ソースリリースパラメータを正確かつ迅速に推定する。
本稿では,予測値の不確かさを定量化する2つのニューラルネットワーク構成,分類分類ニューラルネットワークとベイズニューラルネットワークについて考察する。
分類分類ニューラルネットワークを用いて、空間領域を分割し、各分割を独立したクラスとして扱い、真のソース位置を含む確率を推定する。
ベイズニューラルネットワークでは、重みとバイアスは単一の最適値ではなく分布を持つ。
それぞれの評価により、これらの分布はサンプル化され、それぞれの評価で異なる予測が得られる。
これにより、トレーニングされたベイズニューラルネットワークを評価し、解放パラメータの後方密度を構築する。
その結果,Delayed Rejection Adaptive Metropolis Algorithmを用いたマルコフ連鎖モンテカルロ (MCMC) の結果と比較した。
ベイズニューラルネットワークのアプローチは、一般的に、輸送および放射線検出モデルの計算コストに依存するMCMCのアプローチとは対照的に、後部密度を生成するためにニューラルネットワーク評価の計算コストに依存するため、MCMCのアプローチよりもはるかに安価である。
関連論文リスト
- Tractable Function-Space Variational Inference in Bayesian Neural
Networks [72.97620734290139]
ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。
本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。
提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
論文 参考訳（メタデータ） (2023-12-28T18:33:26Z) - Spherical convolutional neural networks can improve brain microstructure
estimation from diffusion MRI data [0.35998666903987897]
拡散磁気共鳴イメージングは脳組織の微細構造に敏感である。
測定された信号から臨床および科学的に関係する微細構造特性を推定することは、機械学習が解決するのに役立つ非常に難しい逆問題である。
我々は、効率的にシミュレートされた雑音データから地中構造パラメータ値を予測するために、球面畳み込みニューラルネットワークを訓練した。
論文 参考訳（メタデータ） (2022-11-17T20:52:00Z) - Window-Based Distribution Shift Detection for Deep Neural Networks [21.73028341299301]
本研究では,データストリームを受信したディープニューラルネットワーク(DNN)の正常動作をモニタリングする場合について検討する。
選択的予測原理を用いて,DNNの分布偏差検出手法を提案する。
我々の新しい検出法は、最先端技術よりもかなり少ない時間を消費しながら、オンパー以上の性能を発揮する。
論文 参考訳（メタデータ） (2022-10-19T21:27:25Z) - An out-of-distribution discriminator based on Bayesian neural network
epistemic uncertainty [0.19573380763700712]
ベイズニューラルネットワーク(Bayesian Neural Network, BNN)は、不確実性を定量化するための組み込み能力を備えた、重要なタイプのニューラルネットワークである。
本稿では,BNNにおける失語症およびてんかんの不確実性とその計算方法について論じる。
論文 参考訳（メタデータ） (2022-10-18T21:15:33Z) - Variational Neural Networks [88.24021148516319]
本稿では,変分ニューラルネットワーク(VNN)と呼ばれるニューラルネットワークにおける不確実性推定手法を提案する。
VNNは、学習可能なサブレイヤで入力を変換することで、レイヤの出力分布のパラメータを生成する。
不確実性評価実験において、VNNはモンテカルロ・ドロップアウトやベイズ・バイ・バックプロパゲーション法よりも優れた不確実性が得られることを示す。
論文 参考訳（メタデータ） (2022-07-04T15:41:02Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Anomaly Detection in Image Datasets Using Convolutional Neural Networks,
Center Loss, and Mahalanobis Distance [0.0]
ユーザーアクティビティは、品質や無関係な画像やデータベクターのかなりの数を生成します。
ニューラルネットワークの場合、異常は通常分布外サンプルとして定義される。
本研究では,画像データセットにおける非分布サンプルの監督的および半監督的検出手法を提案する。
論文 参考訳（メタデータ） (2021-04-13T13:44:03Z) - And/or trade-off in artificial neurons: impact on adversarial robustness [91.3755431537592]
ネットワークに十分な数のOR様ニューロンが存在すると、分類の脆さと敵の攻撃に対する脆弱性が増加する。
そこで我々は,AND様ニューロンを定義し,ネットワーク内での割合を増大させる対策を提案する。
MNISTデータセットによる実験結果から,本手法はさらなる探索の方向として有望であることが示唆された。
論文 参考訳（メタデータ） (2021-02-15T08:19:05Z) - Multi-fidelity Bayesian Neural Networks: Algorithms and Applications [0.0]
本稿では,可変忠実度の雑音データを用いて訓練できるベイズ型ニューラルネットワーク(BNN)を提案する。
関数近似の学習や、偏微分方程式(PDE)に基づく逆問題の解法に応用する。
論文 参考訳（メタデータ） (2020-12-19T02:03:53Z)
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。