論文の概要: Uncertainty Quantification for Data-Driven Machine Learning Models in Nuclear Engineering Applications: Where We Are and What Do We Need?
- arxiv url: http://arxiv.org/abs/2503.17385v1
- Date: Sun, 16 Mar 2025 19:54:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-30 07:31:54.650435
- Title: Uncertainty Quantification for Data-Driven Machine Learning Models in Nuclear Engineering Applications: Where We Are and What Do We Need?
- Title（参考訳）: 核工学アプリケーションにおけるデータ駆動機械学習モデルの不確実性定量化:我々はどこにいて、何が必要なのか?
- Authors: Xu Wu, Lesego E. Moloko, Pavel M. Bokov, Gregory K. Delipei, Joshua Kaizer, Kostadin N. Ivanov,
- Abstract要約: 機械学習(ML)は、核工学のほとんどすべての分野において、多様なタスクに取り組むために利用されてきた。
重要なが下位評価の領域は、MLの不確実性定量化(UQ)である。
物理モデルとデータ駆動MLモデルの基本概念の違いを解明する。
- 参考スコア（独自算出の注目度）: 2.026805178426999
- License:
- Abstract: Machine learning (ML) has been leveraged to tackle a diverse range of tasks in almost all branches of nuclear engineering. Many of the successes in ML applications can be attributed to the recent performance breakthroughs in deep learning, the growing availability of computational power, data, and easy-to-use ML libraries. However, these empirical successes have often outpaced our formal understanding of the ML algorithms. An important but under-rated area is uncertainty quantification (UQ) of ML. ML-based models are subject to approximation uncertainty when they are used to make predictions, due to sources including but not limited to, data noise, data coverage, extrapolation, imperfect model architecture and the stochastic training process. The goal of this paper is to clearly explain and illustrate the importance of UQ of ML. We will elucidate the differences in the basic concepts of UQ of physics-based models and data-driven ML models. Various sources of uncertainties in physical modeling and data-driven modeling will be discussed, demonstrated, and compared. We will also present and demonstrate a few techniques to quantify the ML prediction uncertainties. Finally, we will discuss the need for building a verification, validation and UQ framework to establish ML credibility.
- Abstract（参考訳）: 機械学習(ML)は、核工学のほとんどすべての分野において、多様なタスクに取り組むために利用されてきた。
MLアプリケーションの成功の多くは、ディープラーニングにおける最近のパフォーマンスのブレークスルー、計算能力の増大、データ、使い易いMLライブラリによるものである。
しかし、これらの経験的な成功は、MLアルゴリズムの正式な理解を上回りました。
重要なが下位評価の領域は、MLの不確実性定量化(UQ)である。
MLベースのモデルは、データノイズ、データカバレッジ、外挿、不完全モデルアーキテクチャ、確率的トレーニングプロセスなどのソースから、予測を行うために使用される場合、近似の不確実性にさらされる。
本論文の目的は、MLのUQの重要性を明確に説明し、説明することである。
物理モデルとデータ駆動MLモデルの基本概念の違いを解明する。
物理モデリングとデータ駆動モデリングの様々な不確実性源について、議論し、実証し、比較する。
また,ML予測の不確かさを定量化するためのいくつかの手法を提示し,実演する。
最後に、MLの信頼性を確立するための検証、検証、UQフレームワークを構築する必要性について論じる。
関連論文リスト
- Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。
我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。
シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
論文 参考訳（メタデータ） (2024-08-22T07:33:11Z) - Large Language Models Must Be Taught to Know What They Don't Know [97.90008709512921]
正解と誤解の小さなデータセットを微調整すると、高い一般化と計算オーバーヘッドの少ない不確実性推定が得られることを示す。
また,確実な不確実性推定を可能にする機構についても検討し,多くのモデルを汎用的不確実性推定器として利用することができることを示した。
論文 参考訳（メタデータ） (2024-06-12T16:41:31Z) - Uncertainty Quantification in Machine Learning for Engineering Design
and Health Prognostics: A Tutorial [12.570694576213244]
不確実性定量化(英: Uncertainty Quantification、UQ)は、より原則化された意思決定につながるような安全保証の不可欠な層として機能する。
このチュートリアルは、ニューラルネットワークに特に焦点をあてたMLモデルの新たなUQメソッドに関する、包括的なレンズを提供する。
工学設計と健康診断における課題解決におけるMLモデルのUQの役割について論じる。
論文 参考訳（メタデータ） (2023-05-07T03:12:03Z) - AI Model Disgorgement: Methods and Choices [127.54319351058167]
本稿では,現代の機械学習システムに適用可能な分類法を紹介する。
学習モデルにおけるデータ「効果の除去」の意味を,スクラッチからリトレーニングする必要のない方法で検討する。
論文 参考訳（メタデータ） (2023-04-07T08:50:18Z) - Logic-Based Explainability in Machine Learning [0.0]
最も成功した機械学習モデルの運用は、人間の意思決定者にとって理解できない。
近年,MLモデルを説明するためのアプローチの開発が試みられている。
本稿では,MLモデルの厳密なモデルに基づく説明を計算するための研究成果について概説する。
論文 参考訳（メタデータ） (2022-10-24T13:43:07Z) - A Survey of Machine Unlearning [56.017968863854186]
最近の規制では、要求に応じて、ユーザに関する個人情報をコンピュータシステムから削除する必要がある。
MLモデルは古いデータをよく記憶します。
機械学習に関する最近の研究は、この問題を完全に解決することはできなかった。
論文 参考訳（メタデータ） (2022-09-06T08:51:53Z) - Quantification of Deep Neural Network Prediction Uncertainties for VVUQ
of Machine Learning Models [1.929039244357139]
この研究は、高価な物理モデルのための代理モデルとして使用されるとき、ディープニューラルネットワーク(DNN)の予測や近似の不確実性を定量化することを目的としている。
モンテカルロ・ドロップアウト(MCD)、ディープ・アンサンブル(DE)、ベイズニューラルネットワーク(BNN)の3つの手法を比較した。
論文 参考訳（メタデータ） (2022-06-27T20:49:57Z) - Hessian-based toolbox for reliable and interpretable machine learning in
physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。
与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。
我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文 参考訳（メタデータ） (2021-08-04T16:32:59Z) - Learning by Design: Structuring and Documenting the Human Choices in
Machine Learning Development [6.903929927172917]
本稿では,機械学習モデル作成における熟考と規範的選択を概説する8つの設計質問からなる手法を提案する。
本手法は,方法論的透明性を通じた批判的評価を支援するなど,いくつかの利点がある。
本手法は,MLモデルの開発において,ML実践者が選択や仮定を構造化し,正当化する上で有効であると考えている。
論文 参考訳（メタデータ） (2021-05-03T08:47:45Z) - Transfer Learning without Knowing: Reprogramming Black-box Machine
Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。
ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。
BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文 参考訳（メタデータ） (2020-07-17T01:52:34Z) - Insights into Performance Fitness and Error Metrics for Machine Learning [1.827510863075184]
機械学習(ML)は、高いレベルの認知を達成し、人間のような分析を行うための訓練機械の分野である。
本稿では、回帰アルゴリズムや分類アルゴリズムにおいて、最もよく使われている性能適合度と誤差の測定値について検討する。
論文 参考訳（メタデータ） (2020-05-17T22:59:04Z)
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。