論文の概要: Uncertainty Guided Online Ensemble for Non-stationary Data Streams in Fusion Science

• arxiv url: http://arxiv.org/abs/2511.02092v1
• Date: Mon, 03 Nov 2025 22:03:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.693592
• Title: Uncertainty Guided Online Ensemble for Non-stationary Data Streams in Fusion Science
• Title（参考訳）: 核融合科学における非定常データストリームのための不確かさガイドオンラインアンサンブル
• Authors: Kishansingh Rajput, Malachi Schram, Brian Sammuli, Sen Lin,
• Abstract要約: 本稿では,トロイダルフィールドコイルの偏向予測のためのドリフトデータストリームへのオンライン学習の適用について述べる。 従来のオンライン学習は、予測を行う前に基礎的な真実が利用できないため、短期的なパフォーマンス劣化に悩まされる可能性がある。 本稿では,パフォーマンス向上のための不確実性誘導型オンラインアンサンブル手法を提案する。
• 参考スコア（独自算出の注目度）: 3.6886967341942785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine Learning (ML) is poised to play a pivotal role in the development and operation of next-generation fusion devices. Fusion data shows non-stationary behavior with distribution drifts, resulted by both experimental evolution and machine wear-and-tear. ML models assume stationary distribution and fail to maintain performance when encountered with such non-stationary data streams. Online learning techniques have been leveraged in other domains, however it has been largely unexplored for fusion applications. In this paper, we present an application of online learning to continuously adapt to drifting data stream for prediction of Toroidal Field (TF) coils deflection at the DIII-D fusion facility. The results demonstrate that online learning is critical to maintain ML model performance and reduces error by 80% compared to a static model. Moreover, traditional online learning can suffer from short-term performance degradation as ground truth is not available before making the predictions. As such, we propose an uncertainty guided online ensemble method to further improve the performance. The Deep Gaussian Process Approximation (DGPA) technique is leveraged for calibrated uncertainty estimation and the uncertainty values are then used to guide a meta-algorithm that produces predictions based on an ensemble of learners trained on different horizon of historical data. The DGPA also provides uncertainty estimation along with the predictions for decision makers. The online ensemble and the proposed uncertainty guided online ensemble reduces predictions error by about 6%, and 10% respectively over standard single model based online learning.
• Abstract（参考訳）: 機械学習(ML)は、次世代核融合装置の開発と運用において重要な役割を果たす。 核融合データは、実験的な進化と機械摩耗の両方によって生じる分布のドリフトを伴う非定常挙動を示す。 MLモデルは定常分布を仮定し、そのような静止しないデータストリームに遭遇しても性能を維持することができない。 オンライン学習技術は他の領域でも活用されているが、主に融合アプリケーションでは研究されていない。 本稿では,DIII-D核融合施設におけるトロイダルフィールド (TF) コイルの偏向予測のためのドリフトデータストリームへのオンライン学習の適用について述べる。 その結果,オンライン学習はMLモデルの性能を維持する上で重要であり,静的モデルと比較して80%の誤差を減少させることがわかった。 さらに、従来のオンライン学習は、予測を行う前に、基礎的な真実が利用できないため、短期的なパフォーマンス劣化に悩まされる可能性がある。 そこで本研究では,パフォーマンス向上のための不確実性誘導型オンラインアンサンブル手法を提案する。 DGPA(Deep Gaussian Process Approximation)技術は、キャリブレーションされた不確実性推定に利用され、その不確実性値を用いて、異なる歴史データの地平線に基づいて訓練された学習者の集合に基づいて予測を生成するメタアルゴリズムを導出する。 DGPAはまた、意思決定者の予測とともに不確実性の推定も提供する。 オンラインアンサンブルと提案された不確実性のオンラインアンサンブルは、標準の単一モデルに基づくオンライン学習に対して、それぞれ約6%の誤差と10%の誤差を減少させる。

関連論文リスト

• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
  深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。 本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。 本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
  論文  参考訳（メタデータ） (2024-10-24T18:15:48Z)
• CUQDS: Conformal Uncertainty Quantification under Distribution Shift for Trajectory Prediction [6.029850098632435]
  軌道予測モデルは、有限未来の軌道とその関連する不確実性の両方をオンライン環境で推測することができる。 本研究では、予測された軌道の不確かさを定量化するために、分散シフトフレームワークCUQDSのコンフォーマル不確実性定量化を提案する。
  論文  参考訳（メタデータ） (2024-06-17T21:25:36Z)
• Dynamic Model Agnostic Reliability Evaluation of Machine-Learning Methods Integrated in Instrumentation & Control Systems [1.8978726202765634]
  データ駆動型ニューラルネットワークベースの機械学習アルゴリズムの信頼性は十分に評価されていない。 National Institute for Standards and Technologyの最近のレポートでは、MLにおける信頼性は採用にとって重要な障壁となっている。 トレーニングデータセットにアウト・オブ・ディストリビューション検出を組み込むことにより、ML予測の相対的信頼性を評価するためのリアルタイムモデル非依存手法を実証する。
  論文  参考訳（メタデータ） (2023-08-08T18:25:42Z)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• Calibrated Regression Against An Adversary Without Regret [10.470326550507117]
  データポイントの任意のストリーム上でこれらの目標を達成するために保証されたオンラインアルゴリズムを導入する。 具体的には、アルゴリズムは(1)キャリブレーションされた予測を生成する。すなわち、80%の信頼区間は、その時間の80%の真の結果を含む。 我々は、回帰においてこれらの目標を確実に達成するポストホックリカレーション戦略を実装している。
  論文  参考訳（メタデータ） (2023-02-23T17:42:11Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Graph Embedding with Data Uncertainty [113.39838145450007]
  スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。 ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
  論文  参考訳（メタデータ） (2020-09-01T15:08:23Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。