論文の概要: Multi-fidelity Batch Active Learning for Gaussian Process Classifiers

• arxiv url: http://arxiv.org/abs/2510.08865v1
• Date: Thu, 09 Oct 2025 23:45:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:47.895021
• Title: Multi-fidelity Batch Active Learning for Gaussian Process Classifiers
• Title（参考訳）: ガウス過程分類器のための多要素バッチ能動学習
• Authors: Murray Cutforth, Yiming Yang, Tiffany Fan, Serge Guillas, Eric Darve,
• Abstract要約: 本稿では,多要素GP分類器のためのバッチアクティブ学習アルゴリズムであるBernoulli Mutual Information(BPMI)を紹介する。 BPMIは、リンク関数の1階テイラー展開を利用することで、確率空間における相互情報の計算の難しさを回避する。 あらゆる実験において、BPMIは優れた性能を示し、固定された計算予算に対して高い予測精度を達成する。
• 参考スコア（独自算出の注目度）: 35.50383521744249
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Many science and engineering problems rely on expensive computational simulations, where a multi-fidelity approach can accelerate the exploration of a parameter space. We study efficient allocation of a simulation budget using a Gaussian Process (GP) model in the binary simulation output case. This paper introduces Bernoulli Parameter Mutual Information (BPMI), a batch active learning algorithm for multi-fidelity GP classifiers. BPMI circumvents the intractability of calculating mutual information in the probability space by employing a first-order Taylor expansion of the link function. We evaluate BPMI against several baselines on two synthetic test cases and a complex, real-world application involving the simulation of a laser-ignited rocket combustor. In all experiments, BPMI demonstrates superior performance, achieving higher predictive accuracy for a fixed computational budget.
• Abstract（参考訳）: 多くの科学と工学の問題は、パラメータ空間の探索を加速する多忠実なアプローチを、高価な計算シミュレーションに頼っている。 二元シミュレーション出力ケースにおけるガウス過程(GP)モデルを用いたシミュレーション予算の効率的な割り当てについて検討する。 本稿では,多要素GP分類器のためのバッチアクティブ学習アルゴリズムであるBernoulliパラメータ相互情報(BPMI)を紹介する。 BPMIは、リンク関数の1階テイラー展開を利用することで、確率空間における相互情報の計算の難しさを回避する。 レーザー発火ロケット燃焼器のシミュレーションを含む,2つの合成試験事例と複雑な実世界の応用に対するBPMIの評価を行った。 あらゆる実験において、BPMIは優れた性能を示し、固定された計算予算に対して高い予測精度を達成する。

関連論文リスト

• Parallel Simulation for Log-concave Sampling and Score-based Diffusion Models [55.07411490538404]
  本稿では,次元$d$の適応的複雑性依存性を改善する並列サンプリング手法を提案する。 我々の手法は科学計算による並列シミュレーション技術に基づいている。
  論文  参考訳（メタデータ） (2024-12-10T11:50:46Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Lamarr: LHCb ultra-fast simulation based on machine learning models deployed within Gauss [0.0]
  LHCb実験における検出器応答と再構成アルゴリズムの両方をパラメータ化するシミュレーション生成を高速化するフレームワークであるLamarrについて論じる。 複数のアルゴリズムと戦略を駆使した深部生成モデルを用いて、LHCb検出器の単一成分の高レベル応答を効果的にパラメータ化する。
  論文  参考訳（メタデータ） (2023-03-20T20:18:04Z)
• Self-learning locally-optimal hypertuning using maximum entropy, and comparison of machine learning approaches for estimating fatigue life in composite materials [0.0]
  疲労損傷を予測するための最大エントロピーの原理に基づくML近傍近似アルゴリズムを開発した。 予測は、他のMLアルゴリズムと同様、高いレベルの精度を達成する。
  論文  参考訳（メタデータ） (2022-10-19T12:20:07Z)
• TunaOil: A Tuning Algorithm Strategy for Reservoir Simulation Workloads [0.9940728137241215]
  TunaOilは貯水池流れシミュレーションの最適数値パラメータの探索を強化する新しい手法である。 我々は,異なるオーラクル内のモデルのアンサンブルを利用して,各シミュレーションから情報を抽出し,その後の実行時の数値パラメータを最適化する。 実験の結果, 予測によって全体の負荷を平均31%改善できることがわかった。
  論文  参考訳（メタデータ） (2022-08-04T12:11:13Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)

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。