論文の概要: BITS for GAPS: Bayesian Information-Theoretic Sampling for hierarchical GAussian Process Surrogates
- arxiv url: http://arxiv.org/abs/2511.16815v1
- Date: Thu, 20 Nov 2025 21:36:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-24 18:08:18.815212
- Title: BITS for GAPS: Bayesian Information-Theoretic Sampling for hierarchical GAussian Process Surrogates
- Title（参考訳）: GAPSのためのBITS:階層型GAUSSプロセスサロゲートのためのベイズ情報理論サンプリング
- Authors: Kyla D. Jones, Alexander W. Dowling,
- Abstract要約: 本稿では,階層型GAussian Process Surrogates (BITS for GAPS) のためのベイズ情報理論サンプリングについて紹介する。
BITS for GAPSは、既知の物理がシステムの一部を支配しているシリアルハイブリッドモデリングをサポートする。
候補入力位置から得られる期待情報を定量化するエントロピーに基づく取得関数を導出する。
- 参考スコア（独自算出の注目度）: 45.88028371034407
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce the Bayesian Information-Theoretic Sampling for hierarchical GAussian Process Surrogates (BITS for GAPS) framework to emulate latent components in hybrid physical systems. BITS for GAPS supports serial hybrid modeling, where known physics governs part of the system and residual dynamics are represented as a latent function inferred from data. A Gaussian process prior is placed over the latent function, with hierarchical priors on its hyperparameters to encode physically meaningful structure in the predictive posterior. To guide data acquisition, we derive entropy-based acquisition functions that quantify expected information gain from candidate input locations, identifying samples most informative for training the surrogate. Specifically, we obtain a closed-form expression for the differential entropy of the predictive posterior and establish a tractable lower bound for efficient evaluation. These derivations approximate the predictive posterior as a finite, uniformly weighted mixture of Gaussian processes. We demonstrate the framework's utility by modeling activity coefficients in vapor-liquid equilibrium systems, embedding the surrogate into extended Raoult's law for distillation design. Numerical results show that entropy-guided sampling improves sample efficiency by targeting regions of high uncertainty and potential information gain. This accelerates surrogate convergence, enhances predictive accuracy in non-ideal regimes, and preserves physical consistency. Overall, BITS for GAPS provides an efficient, interpretable, and uncertainty-aware framework for hybrid modeling of complex physical systems.
- Abstract（参考訳）: 本稿では,ハイブリッド物理システムにおける潜伏成分をエミュレートするために,階層型GAussian Process Surrogates (BITS for GAPS) フレームワークのベイズ情報理論サンプリングを導入する。
BITS for GAPSはシリアルハイブリッドモデリングをサポートし、既知の物理がシステムの一部を支配し、残留力学はデータから推測される潜在関数として表される。
ガウス過程の先行は潜在関数の上に置かれ、そのハイパーパラメーターに階層的な先行性を持ち、予測後部における物理的に意味のある構造を符号化する。
データ取得を導くために,候補入力位置から得られる期待情報を定量化するエントロピーに基づく取得関数を導出し,サロゲートの訓練に最も有用なサンプルを同定する。
具体的には、予測後部の微分エントロピーの閉形式式を求め、効率的に評価するためのトラクタブルな下界を確立する。
これらの導出は、予測後部をガウス過程の有限で一様に重み付けられた混合として近似する。
気液平衡系の活性係数をモデル化し, 蒸留設計におけるラウルトの法則にサロゲートを埋め込むことにより, フレームワークの有用性を実証する。
数値計算により,エントロピー誘導サンプリングは,高い不確実性と潜在的な情報ゲインの領域をターゲットとしたサンプリング効率を向上させることが示された。
これは代理収束を加速し、非理想的状態における予測精度を高め、物理的整合性を維持する。
全体として、GAPS用のBITSは、複雑な物理システムのハイブリッドモデリングのための効率的で、解釈可能で、不確実性を意識したフレームワークを提供する。
関連論文リスト
- Generative Bayesian Filtering and Parameter Learning [0.0]
生成ベイズフィルタ(GBF)は、複素非線形および非ガウス状態空間モデルにおいて後方推論を行うための強力なフレームワークを提供する。
GBFは明示的な密度評価を必要としないため、観察や遷移分布が解析的に解析可能である場合に特に有効である。
本稿では,各変数を暗黙の完全条件分布から反復的にサンプリングすることで,明示的な密度評価を回避できるジェネレーション・ギブズ・サンプリング手法を提案する。
論文 参考訳（メタデータ） (2025-11-06T17:04:48Z) - Approximating Heavy-Tailed Distributions with a Mixture of Bernstein Phase-Type and Hyperexponential Models [0.20854674413792754]
多くの現実世界の応用でよく見られる重い尾の分布は、その緩やかな尾の崩壊のために正確にモデル化することは困難である。
本稿では,BPHとHEの分布のハイブリッドモデルを提案する。
論文 参考訳（メタデータ） (2025-10-30T14:16:43Z) - Accurate and Uncertainty-Aware Multi-Task Prediction of HEA Properties Using Prior-Guided Deep Gaussian Processes [0.48370725368505757]
本研究では、従来のガウス過程(cGP)、ディープガウス過程(DGP)、マルチ出力回帰のためのエンコーダデコーダニューラルネットワーク、およびAlCoCrCuFeMnNiV HEAシステムの実験および計算特性のハイブリッドデータセットに適用したXGBoostの適合性能を系統的に評価した。
論文 参考訳（メタデータ） (2025-06-13T17:40:21Z) - Conformal Approach To Gaussian Process Surrogate Evaluation With
Coverage Guarantees [47.22930583160043]
適応型クロスコンフォーマル予測区間を構築する手法を提案する。
結果として生じる共形予測区間は、ベイズ的信頼性集合に類似した適応性のレベルを示す。
原子炉の蒸気発生器における閉鎖現象の高コスト・評価シミュレータのサロゲートモデリングの文脈において, 本手法の適用可能性を示す。
論文 参考訳（メタデータ） (2024-01-15T14:45:18Z) - Conditional Korhunen-Lo\'{e}ve regression model with Basis Adaptation
for high-dimensional problems: uncertainty quantification and inverse
modeling [62.997667081978825]
本稿では,物理系の観測可能な応答のサロゲートモデルの精度を向上させる手法を提案する。
本研究では,定常水理応答のBasis Adaptation (BA)法による代理モデル構築に提案手法を適用した。
論文 参考訳（メタデータ） (2023-07-05T18:14:38Z) - NAG-GS: Semi-Implicit, Accelerated and Robust Stochastic Optimizer [45.47667026025716]
2つの重要な要素に依存した、新しく、堅牢で、加速された反復を提案する。
NAG-GSと呼ばれる手法の収束と安定性は、まず広範に研究されている。
我々は、NAG-arityが、重量減衰を伴う運動量SGDや機械学習モデルのトレーニングのためのAdamWといった最先端の手法と競合していることを示す。
論文 参考訳（メタデータ） (2022-09-29T16:54:53Z) - Positive-definite parametrization of mixed quantum states with deep
neural networks [0.0]
本稿では,GHDOに自己回帰構造を埋め込んで,確率分布を直接サンプリングする方法を示す。
我々はこのアーキテクチャを、散逸的横フィールドイジングモデルの定常状態によってベンチマークする。
論文 参考訳（メタデータ） (2022-06-27T17:51:38Z) - Surrogate modeling for Bayesian optimization beyond a single Gaussian
process [62.294228304646516]
本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。
拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。
提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
論文 参考訳（メタデータ） (2022-05-27T16:43:10Z) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳（メタデータ） (2020-12-23T16:21:34Z) - Quantifying the Uncertainty in Model Parameters Using Gaussian
Process-Based Markov Chain Monte Carlo: An Application to Cardiac
Electrophysiological Models [7.8316005711996235]
パーソナライズされたモデリングには,患者固有のモデルパラメータの推定が重要である。
標準マルコフ連鎖モンテカルロサンプリングは、計算不可能な繰り返しモデルシミュレーションを必要とする。
一般的な解決策は、より高速なサンプリングのためにシミュレーションモデルを計算効率の良いサロゲートに置き換えることである。
論文 参考訳（メタデータ） (2020-06-02T23:48:15Z)
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。