論文の概要: Deep Polynomial Chaos Expansion

• arxiv url: http://arxiv.org/abs/2507.21273v1
• Date: Mon, 28 Jul 2025 18:59:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 17:08:55.247356
• Title: Deep Polynomial Chaos Expansion
• Title（参考訳）: Deep Polynomial Chaos Expansion
• Authors: Johannes Exenberger, Sascha Ranftl, Robert Peharz,
• Abstract要約: 多項式カオス展開(英: Polynomial chaos expansion, PCE)は、古典的で広く使われている代理モデリング手法である。 DeepPCEは、高次元入力空間に効果的にスケールするPCEの深い一般化である。
• 参考スコア（独自算出の注目度）: 5.6189692698829115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Polynomial chaos expansion (PCE) is a classical and widely used surrogate modeling technique in physical simulation and uncertainty quantification. By taking a linear combination of a set of basis polynomials - orthonormal with respect to the distribution of uncertain input parameters - PCE enables tractable inference of key statistical quantities, such as (conditional) means, variances, covariances, and Sobol sensitivity indices, which are essential for understanding the modeled system and identifying influential parameters and their interactions. As the number of basis functions grows exponentially with the number of parameters, PCE does not scale well to high-dimensional problems. We address this challenge by combining PCE with ideas from probabilistic circuits, resulting in the deep polynomial chaos expansion (DeepPCE) - a deep generalization of PCE that scales effectively to high-dimensional input spaces. DeepPCE achieves predictive performance comparable to that of multi-layer perceptrons (MLPs), while retaining PCE's ability to compute exact statistical inferences via simple forward passes.
• Abstract（参考訳）: ポリノミアルカオス展開(英: Polynomial chaos expansion, PCE)は、物理シミュレーションと不確実性定量化における古典的で広く使われている代理モデリング手法である。 基底多項式の集合の線形結合(不確定な入力パラメータの分布に直交する)をとることで、PCEは(条件)平均、分散、共分散、ソボ感度指数などの重要な統計量の抽出可能な推論を可能にし、これはモデル化されたシステムを理解し、影響のあるパラメータとその相互作用を特定するのに不可欠である。 基底関数の数はパラメータの数とともに指数関数的に増加するので、PCEは高次元問題に対してうまくスケールしない。 我々はPCEと確率回路のアイデアを組み合わせることでこの問題に対処し、高次元入力空間に効果的にスケールするPCEの深い一般化であるディープ多項式カオス展開(DeepPCE)を実現する。 DeepPCEはマルチ層パーセプトロン(MLP)に匹敵する予測性能を達成し、PCEは単純なフォワードパスを通じて正確な統計的推測を計算できる能力を維持している。

関連論文リスト

• Neural Chaos: A Spectral Stochastic Neural Operator [0.0]
  PCE(Polynomial Chaos Expansion)は、侵入的および非侵入的両方の方法で様々なソリューションを構築するためのTo-goメソッドとして広く認識されている。 ニューラルネットワーク(NN)基底関数を純粋にデータ駆動方式で同定するアルゴリズムを提案する。 提案手法の有効性をいくつかの数値例で示す。
  論文  参考訳（メタデータ） (2025-02-17T14:30:46Z)
• Physics-Informed Polynomial Chaos Expansions [7.5746822137722685]
  本稿では,物理インフォームド展開(PCE)の構築のための新しい手法を提案する。 物理的に制約されたPCEに対する計算効率のよい手段が提案され、標準スパースPCEと比較される。 制約付きPCEは解析後処理により容易に不確実性に適用可能であることを示す。
  論文  参考訳（メタデータ） (2023-09-04T16:16:34Z)
• IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint Multi-Agent Trajectory Prediction [73.25645602768158]
  IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。 我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
  論文  参考訳（メタデータ） (2023-03-01T15:16:56Z)
• The sparse Polynomial Chaos expansion: a fully Bayesian approach with joint priors on the coefficients and global selection of terms [0.0]
  PCE(Polynomial chaos expansion)は、不確実性や機械学習で広く使われている汎用ツールである。 次元の呪いを効果的に克服することができるが、訓練ポイントを選択する戦略に特に注意を払う必要がある。 本研究では,マルコフ連鎖モンテカルロと共同収縮前処理によるPCE表現を確立するためのベイズ的手法を開発し,評価する。
  論文  参考訳（メタデータ） (2022-04-12T19:00:00Z)
• Parameterized Consistency Learning-based Deep Polynomial Chaos Neural Network Method for Reliability Analysis in Aerospace Engineering [3.541245871465521]
  ポリノミアルカオス展開(PCE)は航空宇宙工学における強力な代理モデル信頼性解析手法である。 そこで本研究では,パラメータ化された一貫性学習に基づく深層カオスニューラルネットワーク(Deep PCNN)手法を提案する。 Deep PCNN法は、高次PCEモデルを構築する際のトレーニングデータコストを大幅に削減することができる。
  論文  参考訳（メタデータ） (2022-03-29T15:15:12Z)
• HyperSPNs: Compact and Expressive Probabilistic Circuits [89.897635970366]
  HyperSPNsは、小規模のニューラルネットワークを使用して大きなPCの混合重量を生成する新しいパラダイムである。 近年の文献で紹介されている2つの最先端PCファミリーに対する正規化戦略のメリットを示す。
  論文  参考訳（メタデータ） (2021-12-02T01:24:43Z)
• Pseudo-Spherical Contrastive Divergence [119.28384561517292]
  エネルギーベースモデルの最大学習確率を一般化するために,擬球面コントラスト分散(PS-CD)を提案する。 PS-CDは難解な分割関数を避け、学習目的の一般化されたファミリーを提供する。
  論文  参考訳（メタデータ） (2021-11-01T09:17:15Z)
• Mini-data-driven Deep Arbitrary Polynomial Chaos Expansion for Uncertainty Quantification [9.586968666707529]
  本稿では,サロゲートモデルの精度とトレーニングデータコストのバランスを改善するために,ディープ・任意のカオス展開(Deep aPCE)手法を提案する。 4つの数値例と実際の工学的問題を用いて,Deep aPCE法の有効性を検証する。
  論文  参考訳（メタデータ） (2021-07-22T02:49:07Z)
• Permutation Invariant Policy Optimization for Mean-Field Multi-Agent Reinforcement Learning: A Principled Approach [128.62787284435007]
  本稿では,平均場近似ポリシ最適化(MF-PPO)アルゴリズムを提案する。 我々は,MF-PPOが収束のサブ線形速度で世界的最適政策を達成することを証明した。 特に、置換不変ニューラルアーキテクチャによって引き起こされる誘導バイアスは、MF-PPOが既存の競合より優れていることを示す。
  論文  参考訳（メタデータ） (2021-05-18T04:35:41Z)
• FLIP: A flexible initializer for arbitrarily-sized parametrized quantum circuits [105.54048699217668]
  任意サイズのパラメタライズド量子回路のためのFLexible Initializerを提案する。 FLIPは任意の種類のPQCに適用することができ、初期パラメータの一般的なセットに頼る代わりに、成功したパラメータの構造を学ぶように調整されている。 本稿では, 3つのシナリオにおいてFLIPを用いることの利点を述べる。不毛な高原における問題ファミリ, 最大カット問題インスタンスを解くPQCトレーニング, 1次元フェルミ-ハッバードモデルの基底状態エネルギーを求めるPQCトレーニングである。
  論文  参考訳（メタデータ） (2021-03-15T17:38:33Z)
• Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
  指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。 従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。 本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
  論文  参考訳（メタデータ） (2020-04-07T04:07:29Z)

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。