論文の概要: Reasonable Experiments in Model-Based Systems Engineering

• arxiv url: http://arxiv.org/abs/2509.10649v1
• Date: Fri, 12 Sep 2025 19:24:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.709571
• Title: Reasonable Experiments in Model-Based Systems Engineering
• Title（参考訳）: モデルベースシステム工学における推論可能な実験
• Authors: Johan Cederbladh, Loek Cleophas, Eduard Kamburjan, Lucas Lima, Rakshit Mittal, Hans Vangheluwe,
• Abstract要約: デジタルおよび/または物理資産の実験を管理するための枠組みを提案する。 我々は、実験データを効率的に再利用するために、ドメイン知識を用いたケースベースの推論に焦点を当てる。
• 参考スコア（独自算出の注目度）: 0.353609699122309
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the current trend in Model-Based Systems Engineering towards Digital Engineering and early Validation & Verification, experiments are increasingly used to estimate system parameters and explore design decisions. Managing such experimental configuration metadata and results is of utmost importance in accelerating overall design effort. In particular, we observe it is important to 'intelligent-ly' reuse experiment-related data to save time and effort by not performing potentially superfluous, time-consuming, and resource-intensive experiments. In this work, we present a framework for managing experiments on digital and/or physical assets with a focus on case-based reasoning with domain knowledge to reuse experimental data efficiently by deciding whether an already-performed experiment (or associated answer) can be reused to answer a new (potentially different) question from the engineer/user without having to set up and perform a new experiment. We provide the general architecture for such an experiment manager and validate our approach using an industrial vehicular energy system-design case study.
• Abstract（参考訳）: デジタルエンジニアリングと早期検証と検証に向けたモデルベースシステム工学の現在の傾向により、システムパラメータを推定し、設計決定を探索する実験が増えている。 このような実験的な構成メタデータと結果の管理は、全体的な設計作業の加速において最も重要である。 特に、潜在的に過剰で時間を要する、資源集約的な実験を行わず、時間と労力を節約するために、実験関連のデータを「知的な」再利用することが重要である。 本研究では,既存の実験(あるいは関連する回答)を再利用して,新たな実験のセットアップや実施を必要とせずに,技術者やユーザからの新しい(潜在的に異なる)質問に答えられるかどうかを判断することで,実験データを効率的に再利用する,ドメイン知識によるケースベース推論に着目したデジタルおよび/または物理資産の実験を管理するためのフレームワークを提案する。 このような実験マネージャのための汎用アーキテクチャを提供し、産業用車載エネルギーシステム設計ケーススタディを用いて我々のアプローチを検証する。

関連論文リスト

• Imitate, Explore, and Self-Improve: A Reproduction Report on Slow-thinking Reasoning Systems [92.89673285398521]
  o1のような推論システムは、複雑な推論タスクを解く際、顕著な能力を示した。 推論モデルをトレーニングするために、模倣、探索、自己改善のフレームワークを導入します。 提案手法は,産業レベルの推論システムと比較して競争性能が向上する。
  論文  参考訳（メタデータ） (2024-12-12T16:20:36Z)
• Designing Optimal Behavioral Experiments Using Machine Learning [8.759299724881219]
  BOEDと機械学習の最近の進歩を活用して、あらゆる種類のモデルに対して最適な実験を見つけるためのチュートリアルを提供する。 マルチアームバンディット意思決定タスクにおける探索と搾取のバランスに関する理論を考察する。 文献でよく用いられる実験的な設計と比較すると、最適な設計は個人の行動に最適なモデルのどれが最適かをより効率的に決定する。
  論文  参考訳（メタデータ） (2023-05-12T18:24:30Z)
• Online simulator-based experimental design for cognitive model selection [74.76661199843284]
  本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。 シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
  論文  参考訳（メタデータ） (2023-03-03T21:41:01Z)
• GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
  我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。 GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。 我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
  論文  参考訳（メタデータ） (2023-02-01T17:29:43Z)
• Taxonomy of A Decision Support System for Adaptive Experimental Design in Field Robotics [19.474298062145003]
  本研究では,人間の意思決定能力を増幅し,フィールド実験における意思決定の原則を実現するための意思決定支援システム(DSS)を提案する。 我々は、人工知能とインテリジェントDSSを含む研究を含むDSS文献の事例と傾向を用いて、分類学を構築し、提示する。
  論文  参考訳（メタデータ） (2022-10-15T23:28:30Z)
• Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
  予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。 実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-07T02:12:34Z)
• Active Exploration via Experiment Design in Markov Chains [86.41407938210193]
  科学と工学における重要な課題は、未知の量の興味について学ぶために実験を設計することである。 本稿では,最適値に収束したポリシを効率的に選択するアルゴリズムを提案する。 理論分析に加えて,生態モニタリングと薬理学の応用に関する枠組みを概説する。
  論文  参考訳（メタデータ） (2022-06-29T00:04:40Z)
• Experiments as Code: A Concept for Reproducible, Auditable, Debuggable, Reusable, & Scalable Experiments [7.557948558412152]
  実験研究における一般的な関心事は、監査可能性と実験である。 実験全体をドキュメント化するだけでなく、自動化コードも提供する"Experiments as Code"パラダイムを提案する。
  論文  参考訳（メタデータ） (2022-02-24T12:15:00Z)
• Sequential Bayesian experimental designs via reinforcement learning [0.0]
  我々は,BEDを逐次的に構築するために,強化学習による逐次実験設計を提案する。 提案手法は,新たな実世界指向実験環境を提案することで,期待される情報獲得を最大化することを目的としている。 提案手法は,EIGやサンプリング効率などの指標において,既存の手法よりも優れていることを確認した。
  論文  参考訳（メタデータ） (2022-02-14T04:29:04Z)

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。