論文の概要: Gradient-based Active Learning with Gaussian Processes for Global Sensitivity Analysis

• arxiv url: http://arxiv.org/abs/2601.11790v1
• Date: Fri, 16 Jan 2026 21:33:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.324473
• Title: Gradient-based Active Learning with Gaussian Processes for Global Sensitivity Analysis
• Title（参考訳）: ガウス過程を用いたグローバル感性分析のためのグラディエントに基づくアクティブラーニング
• Authors: Guerlain Lambert, Céline Helbert, Claire Lauvernet,
• Abstract要約: 本稿では,入力空間の最も情報性の高い領域をターゲットとした能動的学習手法を提案し,感度解析の精度を向上させる。 本研究では, 偏微分の相関関係と, 応答面への影響をよりよく把握する獲得関数を開発する。 提案手法は、まず標準ベンチマーク関数の最先端手法と比較され、その後、農薬の実際の環境モデルに適用される。
• 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: Global sensitivity analysis of complex numerical simulators is often limited by the small number of model evaluations that can be afforded. In such settings, surrogate models built from a limited set of simulations can substantially reduce the computational burden, provided that the design of computer experiments is enriched efficiently. In this context, we propose an active learning approach that, for a fixed evaluation budget, targets the most informative regions of the input space to improve sensitivity analysis accuracy. More specifically, our method builds on recent advances in active learning for sensitivity analysis (Sobol' indices and derivative-based global sensitivity measures, DGSM) that exploit derivatives obtained from a Gaussian process (GP) surrogate. By leveraging the joint posterior distribution of the GP gradient, we develop acquisition functions that better account for correlations between partial derivatives and their impact on the response surface, leading to a more comprehensive and robust methodology than existing DGSM-oriented criteria. The proposed approach is first compared to state-of-the-art methods on standard benchmark functions, and is then applied to a real environmental model of pesticide transfers.
• Abstract（参考訳）: 複雑な数値シミュレータのグローバル感度解析は、利用可能な少数のモデル評価によって制限されることが多い。 このような環境では、限られたシミュレーションセットから構築されたサロゲートモデルは、コンピュータ実験の設計が効率的にリッチ化されていることを前提として、計算負担を大幅に削減することができる。 本研究では,評価予算の固定化のために,入力空間の最も情報性の高い領域を目標とし,感度解析精度を向上させる能動的学習手法を提案する。 より具体的には、ガウス過程(GP)シュロゲートから得られるデリバティブを利用する感度分析(ソボの指標と導関数に基づくグローバル感度測定、DGSM)のアクティブラーニングの最近の進歩を基盤としている。 GP勾配の結合後部分布を活用することにより, 部分微分と応答面への影響の相関性をよりよく考慮し, 既存のDGSM基準よりも包括的かつ堅牢な方法論を導出する。 提案手法は、まず標準ベンチマーク関数の最先端手法と比較され、その後、農薬の実際の環境モデルに適用される。

関連論文リスト

• Gradient-enhanced global sensitivity analysis with Poincar{é} chaos expansions [0.0]
  カオス展開は、Sobolのインデックスを効率的に計算するために、グローバルな感度分析に使用される。 本稿では,近年の緩やかな勾配向上レグレッションを取り入れた勾配強化型GSAの包括的フレームワークを提案する。 本稿では,本手法の有効性を,挑戦的な洪水モデリングケーススタディに適用する。
  論文  参考訳（メタデータ） (2025-10-03T14:38:46Z)
• Sampling from Gaussian Processes: A Tutorial and Applications in Global Sensitivity Analysis and Optimization [2.6999000177990924]
  ガウス過程(GP)から後続サンプルを生成するための2つの顕著なサンプリング法を提案する。 生成したサンプルをGSA、単目的最適化、多目的最適化に適用する方法を詳述する。
  論文  参考訳（メタデータ） (2025-07-19T20:36:38Z)
• A Simplified Analysis of SGD for Linear Regression with Weight Averaging [64.2393952273612]
  最近の研究は、定常学習率を用いた線形回帰におけるSGD最適化のためのシャープレートを提供する。 簡単な線形代数ツールを用いて,2021ベニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグニグナグニグニグニグニグニグニグニグニグニグニグネグニグニグニグニグネグニグニグネグニ 我々の研究は線形回帰の勾配勾配を非常に容易に解析し、ミニバッチと学習率のスケジューリングのさらなる分析に役立てることができると信じている。
  論文  参考訳（メタデータ） (2025-06-18T15:10:38Z)
• PALATE: Peculiar Application of the Law of Total Expectation to Enhance the Evaluation of Deep Generative Models [0.5499796332553708]
  深層生成モデル(DGM)は機械学習の分野でパラダイムシフトを引き起こしている。 これらのモデルに対する包括的評価は、生成したサンプルの忠実さ、多様性、新規性の間の三分法を考慮に入れている。 本稿では,既存の指標の限界に対処するDGMの評価を新たに強化したPALATEを提案する。
  論文  参考訳（メタデータ） (2025-03-24T09:06:45Z)
• Optimal Kernel Learning for Gaussian Process Models with High-Dimensional Input [0.0]
  一部のシミュレーションモデルでは、出力は入力変数の小さな部分集合(能動変数と呼ばれる)によってのみ大きく影響される。 そこで本研究では,これらの能動変数を同定し,GPモデルの限界を克服し,システム理解を向上させるためのカーネル学習手法を提案する。
  論文  参考訳（メタデータ） (2025-02-23T15:39:59Z)
• Active Learning for Derivative-Based Global Sensitivity Analysis with Gaussian Processes [70.66864668709677]
  高価なブラックボックス関数のグローバル感度解析におけるアクティブラーニングの問題点を考察する。 関数評価は高価であるため,最も価値の高い実験資源の優先順位付けにアクティブラーニングを利用する。 本稿では,デリバティブに基づくグローバル感度測定の重要量を直接対象とする,新たな能動的学習獲得関数を提案する。
  論文  参考訳（メタデータ） (2024-07-13T01:41:12Z)
• Polynomial Chaos Expanded Gaussian Process [2.287415292857564]
  複雑で未知のプロセスでは、大域モデルは最初実験空間全体にわたって生成されるが、しばしば局所的に正確な予測が得られない。 一般的なアプローチは、実験空間と複数のモデルのトレーニングを必要とするローカルモデルを使用することで、かなりの複雑さを増す。 本研究では,グローバルな実験空間とローカルな実験空間の両方を効果的に表現するモデルの必要性に対処する。
  論文  参考訳（メタデータ） (2024-05-02T07:11:05Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Stability and Generalization Analysis of Gradient Methods for Shallow Neural Networks [59.142826407441106]
  本稿では,アルゴリズム安定性の概念を活用して,浅層ニューラルネットワーク(SNN)の一般化挙動について検討する。 我々は、SNNを訓練するために勾配降下(GD)と勾配降下(SGD)を考慮する。
  論文  参考訳（メタデータ） (2022-09-19T18:48:00Z)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)

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。