論文の概要: Should We Simultaneously Calibrate Multiple Computer Models?

• arxiv url: http://arxiv.org/abs/2505.18176v2
• Date: Thu, 29 May 2025 20:28:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 15:03:35.243418
• Title: Should We Simultaneously Calibrate Multiple Computer Models?
• Title（参考訳）: 複数のコンピュータモデルを同時に校正すべきか?
• Authors: Jonathan Tammer Eweis-Labolle, Tyler Johnson, Xiangyu Sun, Ramin Bostanabad,
• Abstract要約: 多くのアプリケーションデザイナが複数のコンピュータモデルにアクセスできるようになっている。 伝統的にデザイナは、高忠実度データに対して、これらのモデルを1度にキャリブレーションする。
• 参考スコア（独自算出の注目度）: 3.6352820455705372
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In an increasing number of applications designers have access to multiple computer models which typically have different levels of fidelity and cost. Traditionally, designers calibrate these models one at a time against some high-fidelity data (e.g., experiments). In this paper, we question this tradition and assess the potential of calibrating multiple computer models at the same time. To this end, we develop a probabilistic framework that is founded on customized neural networks (NNs) that are designed to calibrate an arbitrary number of computer models. In our approach, we (1) consider the fact that most computer models are multi-response and that the number and nature of calibration parameters may change across the models, and (2) learn a unique probability distribution for each calibration parameter of each computer model, (3) develop a loss function that enables our NN to emulate all data sources while calibrating the computer models, and (4) aim to learn a visualizable latent space where model-form errors can be identified. We test the performance of our approach on analytic and engineering problems to understand the potential advantages and pitfalls in simultaneous calibration of multiple computer models. Our method can improve predictive accuracy, however, it is prone to non-identifiability issues in higher-dimensional input spaces that are normally constrained by underlying physics.
• Abstract（参考訳）: アプリケーションデザイナが複数のコンピュータモデルにアクセスでき、そのモデルは通常、忠実度とコストのレベルが異なる。 伝統的に、デザイナーはこれらのモデルを高忠実度データ(例:実験)に対して一度に1度調整する。 本稿では,この伝統に疑問を呈し,同時に複数のコンピュータモデルを校正する可能性を評価する。 この目的のために、任意の数のコンピュータモデルをキャリブレーションするように設計された、カスタマイズされたニューラルネットワーク(NN)に基づく確率的フレームワークを開発する。 提案手法では, 計算機モデルの多くがマルチレスポンスであり, キャリブレーションパラメータの数と性質がモデル全体に変化しうること, コンピュータモデルのキャリブレーションパラメータごとに独自の確率分布を学習すること, コンピュータモデルをキャリブレーションしながら, NNがすべてのデータソースをエミュレートできるロス関数を開発すること, (4) モデル形式の誤りを識別可能な可視性潜在空間を学習することを考える。 複数の計算機モデルの同時校正における潜在的な利点と落とし穴を理解するため,解析的および工学的問題に対するアプローチの性能を検証した。 提案手法は予測精度を向上させることができるが, 基礎となる物理によって制約される高次元入力空間において, 非識別性の問題が生じやすい。

関連論文リスト

• Beyond Accuracy: What Matters in Designing Well-Behaved Models? [53.252827682118955]
  視覚言語モデルでは,ImageNet-1k分類に高い公正性を示し,ドメイン変更に対して強い堅牢性を示す。 QUBAスコア(QUBA score)は、複数の品質の次元にまたがってモデルをランク付けする新しい指標である。
  論文  参考訳（メタデータ） (2025-03-21T12:54:18Z)
• Calibrating Large Language Models with Sample Consistency [76.23956851098598]
  本稿では,複数サンプルモデル生成系の分布から信頼度を導出する可能性について,一貫性の3つの尺度を用いて検討する。 その結果、一貫性に基づくキャリブレーション手法は、既存のポストホック手法よりも優れていることがわかった。 種々のLMの特性に合わせて,キャリブレーションに適した整合性指標を選択するための実用的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-02-21T16:15:20Z)
• Calibration in Deep Learning: A Survey of the State-of-the-Art [7.6087138685470945]
  ディープニューラルネットワークのキャリブレーションは、安全クリティカルなアプリケーションにおいて、信頼性が高く堅牢なAIシステムを構築する上で重要な役割を果たす。 近年の研究では、予測能力の高い現代のニューラルネットワークは、キャリブレーションが不十分であり、信頼性の低いモデル予測を生成することが示されている。
  論文  参考訳（メタデータ） (2023-08-02T15:28:10Z)
• Proximity-Informed Calibration for Deep Neural Networks [49.330703634912915]
  ProCalは、近接性に基づいてサンプル信頼度を調整する理論的保証を持つプラグアンドプレイアルゴリズムである。 ProCalは、近接バイアスに対処し、バランスの取れた、長い、分布シフトの設定の校正を改善するのに有効であることを示す。
  論文  参考訳（メタデータ） (2023-06-07T16:40:51Z)
• Calibrate: Interactive Analysis of Probabilistic Model Output [5.444048397001003]
  従来の手法の欠点に耐性のある,インタラクティブな信頼性図であるCalibrateを提示する。 実世界のデータと合成データの両方のユースケースを通じて、Calibrateの実用性を実証する。
  論文  参考訳（メタデータ） (2022-07-27T20:01:27Z)
• Probabilistic Modeling for Human Mesh Recovery [73.11532990173441]
  本稿では,2次元の証拠から3次元の人体復元の問題に焦点を当てた。 我々は,この問題を,入力から3Dポーズの分布へのマッピング学習として再考した。
  論文  参考訳（メタデータ） (2021-08-26T17:55:11Z)
• Computer Model Calibration with Time Series Data using Deep Learning and Quantile Regression [1.6758573326215689]
  既存の標準校正フレームワークは、モデル出力と観測データが高次元依存データである場合、推論の問題に悩まされる。 モデル出力と入力パラメータの逆関係を直接エミュレートする長期記憶層を持つディープニューラルネットワーク(DNN)に基づく新しいキャリブレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-29T22:18:41Z)
• Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
  我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。 このようなモデルをリアルタイム診断に利用しています。
  論文  参考訳（メタデータ） (2020-03-04T00:44:57Z)
• Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
  ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。 焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。 ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T17:35:50Z)

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。