Fugu-MT 論文翻訳(概要): Assessing the performance of correlation-based multi-fidelity neural emulators

論文の概要: Assessing the performance of correlation-based multi-fidelity neural emulators

arxiv url: http://arxiv.org/abs/2512.02868v1
Date: Tue, 02 Dec 2025 15:31:21 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-03 21:04:45.947206
Title: Assessing the performance of correlation-based multi-fidelity neural emulators
Title（参考訳）: 相関型多面性神経エミュレータの性能評価
Authors: Cristian J. Villatoro, Gianluca Geraci, Daniele E. Schiavazzi,
Abstract要約: マルチファイダリティニューラルエミュレータは、限られた高フィダリティデータと豊富な低フィダリティモデルソリューションを統合することで、入出力マッピングを学習するように設計されている。本研究では,高忠実度データと豊富な低忠実度モデル解を統合することで,入力から出力へのマッピングを学習するためのニューラルネットワークである多忠実度ニューラルネットワークエミュレータの性能について検討する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Outer loop tasks such as optimization, uncertainty quantification or inference can easily become intractable when the underlying high-fidelity model is computationally expensive. Similarly, data-driven architectures typically require large datasets to perform predictive tasks with sufficient accuracy. A possible approach to mitigate these challenges is the development of multi-fidelity emulators, leveraging potentially biased, inexpensive low-fidelity information while correcting and refining predictions using scarce, accurate high-fidelity data. This study investigates the performance of multi-fidelity neural emulators, neural networks designed to learn the input-to-output mapping by integrating limited high-fidelity data with abundant low-fidelity model solutions. We investigate the performance of such emulators for low and high-dimensional functions, with oscillatory character, in the presence of discontinuities, for collections of models with equal and dissimilar parametrization, and for a possibly large number of potentially corrupted low-fidelity sources. In doing so, we consider a large number of architectural, hyperparameter, and dataset configurations including networks with a different amount of spectral bias (Multi-Layered Perceptron, Siren and Kolmogorov Arnold Network), various mechanisms for coordinate encoding, exact or learnable low-fidelity information, and for varying training dataset size. We further analyze the added value of the multi-fidelity approach by conducting equivalent single-fidelity tests for each case, quantifying the performance gains achieved through fusing multiple sources of information.
Abstract（参考訳）: 最適化や不確実性定量化、推論といった外部ループのタスクは、基礎となる高忠実度モデルが計算に高価である場合に容易に難解になる。同様に、データ駆動アーキテクチャは、十分な精度で予測タスクを実行するために、通常、大きなデータセットを必要とする。これらの課題を緩和するために考えられるアプローチは、偏見のある安価な低忠実度情報を活用しながら、希少で正確な高精度な高忠実度データを用いて予測を修正・修正する多忠実度エミュレータの開発である。本研究では,高忠実度データと豊富な低忠実度モデル解を統合することで,入力から出力へのマッピングを学習するためのニューラルネットワークである多忠実度ニューラルネットワークエミュレータの性能について検討する。本研究では,低次元および高次元の関数に対するエミュレータの性能,振動特性,不連続性の有無,等質および異質なパラメトリゼーションを持つモデルの集合,および潜在的に多数の低忠実度源に対する性能について検討する。そこで我々は,異なるスペクトルバイアスのネットワーク(Multi-Layered Perceptron, Siren, Kolmogorov Arnold Network)を含む,多数のアーキテクチャ,ハイパーパラメータ,データセット構成を検討する。さらに,各事例に対して等価な単一忠実度試験を行い,複数の情報ソースを融合させることで得られる性能向上を定量化することにより,多忠実度アプローチの付加価値を解析する。

関連論文リスト

Progressive multi-fidelity learning for physical system predictions [0.3499870393443268]
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。
論文参考訳（メタデータ） (2025-10-15T17:10:47Z)
A Multi-Fidelity Graph U-Net Model for Accelerated Physics Simulations [1.2430809884830318]
本稿では,GNNモデルの性能向上のための多元性手法の利点を生かした,新しいGNNアーキテクチャであるMulti-Fidelity U-Netを提案する。提案手法は精度とデータ要求において有意に優れた性能を示すことを示す。また,提案アーキテクチャの高速バージョンであるMulti-Fidelity U-Net Liteを35%高速化し,精度を2～5%削減した。
論文参考訳（メタデータ） (2024-12-19T20:09:38Z)
Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文参考訳（メタデータ） (2024-10-29T19:02:54Z)
Large-Scale Targeted Cause Discovery via Learning from Simulated Data [66.51307552703685]
本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。我々は、シミュレートされたデータに基づいて教師あり学習を用いてニューラルネットワークを訓練し、因果関係を推定する。大規模遺伝子制御ネットワークにおける因果関係の同定に優れた性能を示す実験結果が得られた。
論文参考訳（メタデータ） (2024-08-29T02:21:11Z)
Multi-Fidelity Residual Neural Processes for Scalable Surrogate Modeling [19.60087366873302]
マルチフィデリティ・サロゲートモデリングは,最も高いフィデリティレベルで正確なサロゲートを学習することを目的としている。ディープラーニングアプローチでは、ニューラルネットワークベースのエンコーダとデコーダを使用してスケーラビリティを向上させる。本稿では,MFRNP(Multi-fidelity Residual Neural Processs)を提案する。
論文参考訳（メタデータ） (2024-02-29T04:40:25Z)
Disentangled Multi-Fidelity Deep Bayesian Active Learning [19.031567953748453]
マルチ忠実能動学習は、入力パラメータからシミュレーション出力への直接マッピングを最も高い忠実度で学習することを目的としている。深層学習に基づく手法は、しばしば隠れ表現に階層構造を課し、低忠実度から高忠実度への情報伝達のみをサポートする。本稿では,D-MFDAL(Disentangled Multi-fidelity Deep Bayesian Active Learning)と呼ばれる新しいフレームワークを提案する。
論文参考訳（メタデータ） (2023-05-07T23:14:58Z)
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)
Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文参考訳（メタデータ） (2022-06-10T04:54:13Z)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)
Multi-fidelity regression using artificial neural networks: efficient approximation of parameter-dependent output quantities [0.17499351967216337]
本稿では,多元性回帰問題に対するニューラルネットワークの利用について述べる。導入されたモデルは、従来のマルチファイアリティスキームと比較されます。また、工学的問題に対するマルチファイダリグレッションの適用も示します。
論文参考訳（メタデータ） (2021-02-26T11:29:00Z)
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。