論文の概要: MF-GLaM: A multifidelity stochastic emulator using generalized lambda models
- arxiv url: http://arxiv.org/abs/2507.10303v1
- Date: Mon, 14 Jul 2025 14:06:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-15 18:48:25.070539
- Title: MF-GLaM: A multifidelity stochastic emulator using generalized lambda models
- Title（参考訳）: MF-GLaM:一般化ラムダモデルを用いた多要素確率エミュレータ
- Authors: K. Giannoukou, X. Zhu, S. Marelli, B. Sudret,
- Abstract要約: High-fidelity (HF)シミュレータは、観測不能、制御不能、または非モデル化された入力変数による本質性を示す。
本稿では,HFシミュレータの条件応答分布を効率的にエミュレートする多相一般化モデル(MF-GLaMs)を提案する。
その結果,MF-GLaMsは単一忠実度GLaMsと同コストで精度を向上できることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Stochastic simulators exhibit intrinsic stochasticity due to unobservable, uncontrollable, or unmodeled input variables, resulting in random outputs even at fixed input conditions. Such simulators are common across various scientific disciplines; however, emulating their entire conditional probability distribution is challenging, as it is a task traditional deterministic surrogate modeling techniques are not designed for. Additionally, accurately characterizing the response distribution can require prohibitively large datasets, especially for computationally expensive high-fidelity (HF) simulators. When lower-fidelity (LF) stochastic simulators are available, they can enhance limited HF information within a multifidelity surrogate modeling (MFSM) framework. While MFSM techniques are well-established for deterministic settings, constructing multifidelity emulators to predict the full conditional response distribution of stochastic simulators remains a challenge. In this paper, we propose multifidelity generalized lambda models (MF-GLaMs) to efficiently emulate the conditional response distribution of HF stochastic simulators by exploiting data from LF stochastic simulators. Our approach builds upon the generalized lambda model (GLaM), which represents the conditional distribution at each input by a flexible, four-parameter generalized lambda distribution. MF-GLaMs are non-intrusive, requiring no access to the internal stochasticity of the simulators nor multiple replications of the same input values. We demonstrate the efficacy of MF-GLaM through synthetic examples of increasing complexity and a realistic earthquake application. Results show that MF-GLaMs can achieve improved accuracy at the same cost as single-fidelity GLaMs, or comparable performance at significantly reduced cost.
- Abstract（参考訳）: 確率シミュレータは、観測不能、制御不能、あるいはモデル化不可能な入力変数による固有の確率性を示し、固定された入力条件でさえランダムな出力をもたらす。
このようなシミュレータは様々な科学分野に共通しているが、従来の決定論的サロゲートモデリング技術は設計されていないため、条件付き確率分布全体をエミュレートすることは困難である。
さらに、応答分布を正確に特徴づけるには、特に計算に高価な高忠実度シミュレーター(HF)のために、非常に大きなデータセットを必要とすることがある。
低忠実性(LF)確率シミュレータが利用可能であれば、MFSM(Multifidelity surrogate Modeling)フレームワーク内で限られたHF情報を拡張することができる。
MFSM技術は決定論的設定のために十分に確立されているが、確率シミュレータの完全な条件応答分布を予測するための多忠実エミュレータの構築は依然として課題である。
本稿では,HF確率シミュレータの条件応答分布をLF確率シミュレータのデータを利用して効率的にエミュレートする多値一般化ラムダモデル(MF-GLaMs)を提案する。
提案手法は汎用ラムダモデル(GLaM)に基づいており,各入力における条件分布をフレキシブルで4パラメータの一般化ラムダ分布で表現する。
MF-GLaMは非侵襲的であり、シミュレータの内部確率性や同じ入力値の多重レプリケーションは必要としない。
我々は,MF-GLaMの有効性を,複雑化と現実的な地震探査の合成例を通して実証した。
その結果,MF-GLaMsは単一忠実度GLaMsと同等のコストで精度を向上できることがわかった。
関連論文リスト
- AL-SPCE -- Reliability analysis for nondeterministic models using stochastic polynomial chaos expansions and active learning [0.0]
多くの実世界のシステムは固有のランダム性を示し、出力がランダム変数であるシミュレータを必要とする。
モンテカルロ法はこれを処理できるが、計算コストが高いことはしばしば禁止される。
本研究は,エミュレータを用いた信頼性解析の計算負担を軽減するために,能動的学習フレームワークを導入する。
論文 参考訳（メタデータ） (2025-07-06T22:07:57Z) - G-Sim: Generative Simulations with Large Language Models and Gradient-Free Calibration [48.948187359727996]
G-Simは、厳密な経験的校正によるシミュレータ構築を自動化するハイブリッドフレームワークである。
信頼性のある因果的インフォームドシミュレータを生成し、データ効率を軽減し、堅牢なシステムレベルの介入を可能にする。
論文 参考訳（メタデータ） (2025-06-10T22:14:34Z) - Gaussian process surrogate model to approximate power grid simulators -- An application to the certification of a congestion management controller [2.1485350418225244]
電力グリッドのデジタル化により、物理方程式はネットワークの振舞いを記述するのに不十分になる。
多数のシナリオをシミュレートする安全性検証のような数値実験は、計算的に難解になる。
一般的な解決策は、シミュレータのサロゲートモデルを機械学習(ML)で学習し、高速で評価可能なサロゲートモデルで直接実験を実行することである。
論文 参考訳（メタデータ） (2025-02-28T18:10:52Z) - Multifidelity Simulation-based Inference for Computationally Expensive Simulators [5.863359332854155]
我々は,高忠実度シミュレータのパラメータを限られたシミュレーション予算内で推測するために,安価な低忠実度シミュレーションを活用する,神経後部推定のための多忠実度アプローチであるMF-NPEを紹介する。
MF-NPEは、最大2桁の高忠実度シミュレーションを必要としながら、現在の手法に匹敵する性能を示す。
論文 参考訳（メタデータ） (2025-02-12T13:59:22Z) - Reliability analysis for non-deterministic limit-states using stochastic emulators [0.0]
本稿では、モデルに対する信頼性解析を導入し、その典型的な計算コストを下げるために適切な代理モデルを用いて対処する。
具体的には、最近導入された一般化モデルとカオス拡張に焦点を当てる。
まず、閉形式解を持つ解析関数を用いて、エミュレータが正しい解に収束することを実証する。
論文 参考訳（メタデータ） (2024-12-18T11:08:56Z) - Diffusion models for probabilistic programming [56.47577824219207]
拡散モデル変分推論(DMVI)は確率型プログラミング言語(PPL)における自動近似推論手法である
DMVIは実装が容易で、例えば正規化フローを用いた変分推論の欠点を伴わずに、PPLでヘイズルフリー推論が可能であり、基礎となるニューラルネットワークモデルに制約を課さない。
論文 参考訳（メタデータ） (2023-11-01T12:17:05Z) - ClimSim-Online: A Large Multi-scale Dataset and Framework for Hybrid ML-physics Climate Emulation [45.201929285600606]
我々は、ハイブリッドML物理シミュレータを開発するためのエンドツーエンドワークフローを含むClimSim-Onlineを提案する。
データセットはグローバルで、高いサンプリング頻度で10年間にわたっています。
MLモデルを運用環境シミュレータに統合するための、クロスプラットフォームでコンテナ化されたパイプラインを提供します。
論文 参考訳（メタデータ） (2023-06-14T21:26:31Z) - Improving and generalizing flow-based generative models with minibatch
optimal transport [90.01613198337833]
連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。
CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。
我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
論文 参考訳（メタデータ） (2023-02-01T14:47:17Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z) - Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。
本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
論文 参考訳（メタデータ） (2021-11-02T12:33:42Z) - 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) - DISCO: Double Likelihood-free Inference Stochastic Control [29.84276469617019]
確率自由推論のためのベイズ統計学における現代シミュレータのパワーと最近の技術を活用することを提案する。
シミュレーションパラメータの後方分布は、システムの潜在的非解析モデルによって伝播される。
実験により、制御器の提案により、古典的な制御やロボット工学のタスクにおいて、優れた性能と堅牢性が得られることが示された。
論文 参考訳（メタデータ） (2020-02-18T05:29:40Z)
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。