論文の概要: Progressive multi-fidelity learning for physical system predictions

• arxiv url: http://arxiv.org/abs/2510.13762v1
• Date: Wed, 15 Oct 2025 17:10:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.78192
• Title: Progressive multi-fidelity learning for physical system predictions
• Title（参考訳）: 物理系予測のためのプログレッシブ多忠実学習
• Authors: Paolo Conti, Mengwu Guo, Attilio Frangi, Andrea Manzoni,
• Abstract要約: 本稿では,プログレッシブ・マルチファイダリティ・サロゲートモデルを提案する。 ソートエンコーダを使用して、さまざまなデータタイプを順次組み込む。 マルチモーダルデータを確実に統合し,正確な予測を行う。
• 参考スコア（独自算出の注目度）: 0.3499870393443268
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Highly accurate datasets from numerical or physical experiments are often expensive and time-consuming to acquire, posing a significant challenge for applications that require precise evaluations, potentially across multiple scenarios and in real-time. Even building sufficiently accurate surrogate models can be extremely challenging with limited high-fidelity data. Conversely, less expensive, low-fidelity data can be computed more easily and encompass a broader range of scenarios. By leveraging multi-fidelity information, prediction capabilities of surrogates can be improved. However, in practical situations, data may be different in types, come from sources of different modalities, and not be concurrently available, further complicating the modeling process. To address these challenges, we introduce a progressive multi-fidelity surrogate model. This model can sequentially incorporate diverse data types using tailored encoders. Multi-fidelity regression from the encoded inputs to the target quantities of interest is then performed using neural networks. Input information progressively flows from lower to higher fidelity levels through two sets of connections: concatenations among all the encoded inputs, and additive connections among the final outputs. This dual connection system enables the model to exploit correlations among different datasets while ensuring that each level makes an additive correction to the previous level without altering it. This approach prevents performance degradation as new input data are integrated into the model and automatically adapts predictions based on the available inputs. We demonstrate the effectiveness of the approach on numerical benchmarks and a real-world case study, showing that it reliably integrates multi-modal data and provides accurate predictions, maintaining performance when generalizing across time and parameter variations.
• Abstract（参考訳）: 数値実験や物理実験から得られた高精度なデータセットは、取得するのに高価で時間がかかり、複数のシナリオやリアルタイムで正確な評価を必要とするアプリケーションにとって大きな課題となる。 十分に正確なサロゲートモデルを構築することでさえ、限られた高忠実度データでは極めて困難である。 逆に、安価で低忠実なデータは、より容易に計算でき、幅広いシナリオをカバーできる。 多重忠実度情報を活用することにより、サロゲートの予測能力を向上させることができる。 しかし、実際の状況では、データはタイプによって異なり、異なるモダリティのソースから来ており、同時に利用できないため、モデリングプロセスがさらに複雑になる。 これらの課題に対処するために、プログレッシブ・マルチフィデリティ・サロゲートモデルを導入する。 このモデルは、調整されたエンコーダを使用して、さまざまなデータタイプを順次組み込むことができる。 次に、符号化された入力から目的の関心量への多値回帰をニューラルネットワークを用いて行う。 入力情報は、エンコードされた全ての入力間の連結と、最終的な出力間の付加的な接続の2つの接続を通して、下位から上位の忠実度レベルへ徐々に流れていく。 この二重接続システムは、各レベルが変更することなく前のレベルに付加的な修正を行うことを保証しながら、異なるデータセット間の相関を利用することができる。 このアプローチは、新しい入力データがモデルに統合されるにつれて性能劣化を防止し、利用可能な入力に基づいて予測を自動的に適応する。 本研究は,マルチモーダルデータを確実に統合し,正確な予測を行い,時間およびパラメータの変動を一般化する際の性能の維持を図った,数値ベンチマークと実世界のケーススタディにおけるアプローチの有効性を実証する。

関連論文リスト

• Multivariate Temporal Regression at Scale: A Three-Pillar Framework Combining ML, XAI, and NLP [1.331812695405053]
  本稿では、機械学習(ML)、説明可能なAI(XAI)、自然言語処理(NLP)を統合することで、時間データにおける実行可能な関係の発見を加速する新しいフレームワークを提案する。 提案手法では,ML駆動プルーニングを用いて,低品質サンプルの識別と緩和,重要な特徴の相互作用を検証するためのXAIベースの解釈可能性,将来的なコンテキスト検証のためのNLPを組み合わせ,動作可能な洞察を明らかにするのに必要な時間を40～60%削減する。
  論文  参考訳（メタデータ） (2025-04-02T21:53:03Z)
• AdaPRL: Adaptive Pairwise Regression Learning with Uncertainty Estimation for Universal Regression Tasks [0.0]
  回帰タスクのための適応型ペアワイズ学習フレームワーク(AdaPRL)を提案する。 AdaPRLは、データポイントと深い確率モデルの間の相対的な差異を利用して、予測に関連する不確実性を定量化する。 実験により、AdaPRLが最近提案された回帰フレームワークにシームレスに統合され、パフォーマンスが向上することが示された。
  論文  参考訳（メタデータ） (2025-01-10T09:19:10Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Data-Juicer Sandbox: A Feedback-Driven Suite for Multimodal Data-Model Co-development [67.55944651679864]
  統合データモデル共同開発に適した新しいサンドボックススイートを提案する。 このサンドボックスは、フィードバック駆動の実験プラットフォームを提供し、コスト効率とデータとモデルの両方のガイド付き洗練を可能にする。
  論文  参考訳（メタデータ） (2024-07-16T14:40:07Z)
• Multi-fidelity prediction of fluid flow and temperature field based on transfer learning using Fourier Neural Operator [10.104417481736833]
  本研究では,フーリエニューラル演算子に基づく新しい多要素学習手法を提案する。 トランスファーラーニングパラダイムの下では、豊富な低忠実度データと限られた高忠実度データを使用する。 提案した多忠実度モデルの精度を検証するために,3つの典型的な流体および温度予測問題を選択する。
  論文  参考訳（メタデータ） (2023-04-14T07:46:03Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Multi-fidelity surrogate modeling using long short-term memory networks [0.0]
  パラメタライズされた時間依存問題に対する多要素代理モデリングの新しいデータ駆動フレームワークを提案する。 提案した多要素LSTMネットワークは, シングルフィデリティ回帰を著しく向上するだけでなく, フィードフォワードニューラルネットワークに基づくマルチフィデリティモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-05T12:05:02Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Exploring the Trade-off between Plausibility, Change Intensity and Adversarial Power in Counterfactual Explanations using Multi-objective Optimization [73.89239820192894]
  自動対物生成は、生成した対物インスタンスのいくつかの側面を考慮すべきである。 本稿では, 対実例生成のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-05-20T15:02:53Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。