論文の概要: Interpretable SHAP-bounded Bayesian Optimization for Underwater Acoustic Metamaterial Coating Design

• arxiv url: http://arxiv.org/abs/2505.06519v1
• Date: Sat, 10 May 2025 05:33:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.883852
• Title: Interpretable SHAP-bounded Bayesian Optimization for Underwater Acoustic Metamaterial Coating Design
• Title（参考訳）: SHAP結合型ベイズ最適化による水中音響メタマテリアルコーティング設計
• Authors: Hansani Weeratunge, Dominic Robe, Elnaz Hajizadeh,
• Abstract要約: 我々は水中音響コーティングを最適化するための解釈可能性情報ベイズ最適化フレームワークを開発した。 目的関数に影響を及ぼす重要なパラメータを特定し,これらのパラメータが吸音に与える影響について考察した。 提案手法は, 硬度が異なる2つのポリウレタン材料に適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We developed an interpretability informed Bayesian optimization framework to optimize underwater acoustic coatings based on polyurethane elastomers with embedded metamaterial features. A data driven model was employed to analyze the relationship between acoustic performance, specifically sound absorption and the corresponding design variables. By leveraging SHapley Additive exPlanations (SHAP), a machine learning interpretability tool, we identified the key parameters influencing the objective function and gained insights into how these parameters affect sound absorption. The insights derived from the SHAP analysis were subsequently used to automatically refine the bounds of the optimization problem automatically, enabling a more targeted and efficient exploration of the design space. The proposed approach was applied to two polyurethane materials with distinct hardness levels, resulting in improved optimal solutions compared to those obtained without SHAP-informed guidance. Notably, these enhancements were achieved without increasing the number of simulation iterations. Our findings demonstrate the potential of SHAP to streamline optimization processes by uncovering hidden parameter relationships and guiding the search toward promising regions of the design space. This work underscores the effectiveness of combining interpretability techniques with Bayesian optimization for the efficient and cost-effective design of underwater acoustic metamaterials under strict computational constraints and can be generalized towards other materials and engineering optimization problems.
• Abstract（参考訳）: 我々は,ポリウレタンエラストマーとメタマテリアルを組み込んだ水中音響コーティングを最適化するための解釈可能性情報ベイズ最適化フレームワークを開発した。 データ駆動モデルを用いて、音響特性、特に吸音特性と対応する設計変数の関係を解析した。 機械学習の解釈可能性ツールであるSHAP(SHapley Additive ExPlanations)を利用することで、目的関数に影響を及ぼす重要なパラメータを特定し、これらのパラメータが吸音に与える影響について洞察を得た。 SHAP解析から得られた知見は、自動的に最適化問題の境界を洗練し、設計空間のより標的的で効率的な探索を可能にした。 提案手法は, 異なる硬度を有する2つのポリウレタン材料に適用され, SHAPインフォームドガイダンスを使わずに得られるものに比べ, 最適解が得られた。 特に、これらの拡張はシミュレーションイテレーションの数を増やすことなく達成された。 本研究は,隠れパラメータ関係を解明し,設計空間の有望な領域への探索を導くことによって,最適化プロセスの合理化にSHAPがもたらす可能性を示すものである。 本研究は,水中音響メタマテリアルの厳密な計算制約下での効率的かつ費用対効果設計において,解釈可能性とベイズ最適化を組み合わせることの有効性を実証し,他の材料や工学的最適化問題に対して一般化できることを示した。

関連論文リスト

• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• Measurements with Noise: Bayesian Optimization for Co-optimizing Noise and Property Discovery in Automated Experiments [2.6120363620274816]
  我々は,段階内雑音最適化を自動実験サイクルに統合するベイズ最適化(BO)ワークフローを開発した。 自動実験における従来のBOアプローチは、実験軌道の最適化に重点を置いているが、しばしば測定ノイズがデータ品質とコストに与える影響を見落としている。 報酬駆動型雑音最適化と二重最適化関数の2つのアプローチが検討されている。
  論文  参考訳（メタデータ） (2024-10-03T17:38:43Z)
• Edge-Efficient Deep Learning Models for Automatic Modulation Classification: A Performance Analysis [0.7428236410246183]
  無線信号の自動変調分類(AMC)のための最適化畳み込みニューラルネットワーク(CNN)について検討した。 本稿では,これらの手法を組み合わせて最適化モデルを提案する。 実験結果から,提案手法と組み合わせ最適化手法は,複雑度が著しく低いモデルの開発に極めて有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-04-11T06:08:23Z)
• Beyond Single-Model Views for Deep Learning: Optimization versus Generalizability of Stochastic Optimization Algorithms [13.134564730161983]
  本稿では、勾配降下(SGD)とその変種に着目し、ディープラーニングの最適化に新しいアプローチを採用する。 我々はSGDとその変種がSAMのような平らなミニマと同等の性能を示すことを示した。 本研究は、トレーニング損失とホールドアウト精度の関係、およびSGDとノイズ対応変種の性能について、いくつかの重要な知見を明らかにした。
  論文  参考訳（メタデータ） (2024-03-01T14:55:22Z)
• Enhanced Bayesian Optimization via Preferential Modeling of Abstract Properties [49.351577714596544]
  本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。 優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
  論文  参考訳（メタデータ） (2024-02-27T09:23:13Z)
• End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
  機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。 本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。 この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-12T16:33:35Z)
• Large Language Models to Enhance Bayesian Optimization [57.474613739645605]
  本稿では,大規模言語モデル(LLM)の能力をベイズ最適化に組み込む新しいアプローチであるLLAMBOを提案する。 高いレベルでは、自然言語のBO問題を枠組み化し、LLMが歴史的評価に照らした有望な解を反復的に提案し、評価することを可能にする。 以上の結果から,LLAMBOはゼロショットウォームスタートに有効であり,サロゲートモデリングや候補サンプリングの促進,特に観察が不十分な場合の探索の初期段階において有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-02-06T11:44:06Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Optimizing $CO_{2}$ Capture in Pressure Swing Adsorption Units: A Deep Neural Network Approach with Optimality Evaluation and Operating Maps for Decision-Making [0.0]
  本研究は,二酸化炭素捕捉用加圧湿式吸着ユニットの高機能化に焦点をあてる。 2つのディープニューラルネットワーク(DNN)モデルからなるマルチインプット・シングルアウトプット(MISO)フレームワークを開発し,実装した。 このアプローチは、実行可能な運用領域(FOR)を明確にし、最適な意思決定シナリオのスペクトルを強調した。
  論文  参考訳（メタデータ） (2023-12-06T19:43:37Z)
• What Makes an Effective Scalarising Function for Multi-Objective Bayesian Optimisation? [6.4239565988811425]
  目的のスケール化による多対象ベイズ最適化は、高価な積分ベースの獲得関数の計算を避ける。 ここで定義されるすべての方法論的改善の有効性は、実世界の問題で実証される。
  論文  参考訳（メタデータ） (2021-04-10T15:18:58Z)

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。