論文の概要: Uncertainty-Aware Data-Based Method for Fast and Reliable Shape Optimization

• arxiv url: http://arxiv.org/abs/2601.21956v1
• Date: Thu, 29 Jan 2026 16:34:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.999609
• Title: Uncertainty-Aware Data-Based Method for Fast and Reliable Shape Optimization
• Title（参考訳）: 高速かつ信頼性の高い形状最適化のための不確実性を考慮したデータベース手法
• Authors: Yunjia Yang, Runze Li, Yufei Zhang, Haixin Chen,
• Abstract要約: 本研究では,DBO中の代理モデルの不確実性を監視し,最小化する不確実性対応データベース最適化(UA-DBO)フレームワークを提案する。 確率的エンコーダ・デコーダ・サロゲートモデルを開発し,その出力に関する不確実性を予測する。 その結果、UA-DBOは最適化サンプルの予測誤差を一貫して低減し、元のDBOと比較して優れた性能向上を実現している。
• 参考スコア（独自算出の注目度）: 7.5548573576501274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-based optimization (DBO) offers a promising approach for efficiently optimizing shape for better aerodynamic performance by leveraging a pretrained surrogate model for offline evaluations during iterations. However, DBO heavily relies on the quality of the training database. Samples outside the training distribution encountered during optimization can lead to significant prediction errors, potentially misleading the optimization process. Therefore, incorporating uncertainty quantification into optimization is critical for detecting outliers and enhancing robustness. This study proposes an uncertainty-aware data-based optimization (UA-DBO) framework to monitor and minimize surrogate model uncertainty during DBO. A probabilistic encoder-decoder surrogate model is developed to predict uncertainties associated with its outputs, and these uncertainties are integrated into a model-confidence-aware objective function to penalize samples with large prediction errors during data-based optimization process. The UA-DBO framework is evaluated on two multipoint optimization problems aimed at improving airfoil drag divergence and buffet performance. Results demonstrate that UA-DBO consistently reduces prediction errors in optimized samples and achieves superior performance gains compared to original DBO. Moreover, compared to multipoint optimization based on full computational simulations, UA-DBO offers comparable optimization effectiveness while significantly accelerating optimization speed.
• Abstract（参考訳）: データベースの最適化(DBO)は、事前訓練された代理モデルを利用して、反復中のオフライン評価に有効に形状を最適化し、空力性能を向上させるための有望なアプローチを提供する。 しかし、DBOはトレーニングデータベースの品質に大きく依存している。 最適化中に発生するトレーニング分布外のサンプルは、重大な予測エラーを引き起こし、最適化プロセスの誤解を招く可能性がある。 したがって、不確実な定量化を最適化に組み込むことは、外れ値の検出とロバスト性の向上に不可欠である。 本研究では,DBO中の代理モデルの不確実性を監視し,最小化する不確実性対応データベース最適化(UA-DBO)フレームワークを提案する。 確率的エンコーダ・デコーダ・サロゲートモデルを開発し、その出力に関する不確実性を予測し、これらの不確かさをモデル信頼度認識対象関数に統合し、データベース最適化プロセス中に大きな予測誤差でサンプルをペナルライズする。 UA-DBO フレームワークは,エアフォイルドラッグのばらつきとバッフェ性能の向上を目的とした2つの多点最適化問題に対して評価を行った。 その結果、UA-DBOは最適化サンプルの予測誤差を一貫して低減し、元のDBOと比較して優れた性能向上を実現している。 さらに、全計算シミュレーションに基づくマルチポイント最適化と比較して、UA-DBOは、最適化速度を著しく向上させながら、同等の最適化効率を提供する。

関連論文リスト

• Divergence Minimization Preference Optimization for Diffusion Model Alignment [66.31417479052774]
  Divergence Minimization Preference Optimization (DMPO) は、逆KL分散を最小化して拡散モデルを整列する原理的手法である。 DMPOは、異なるベースモデルとテストセットで既存のテクニックを一貫して上回り、適合させることができる。
  論文  参考訳（メタデータ） (2025-07-10T07:57:30Z)
• A Fenchel-Young Loss Approach to Data-Driven Inverse Optimization [1.7068557927955381]
  逆最適化とFenchel-Young(FY)損失との接続を構築する。 この新しいアプローチは、効率的な勾配に基づく最適化に適しており、従って既存の方法よりもはるかに効率的である。
  論文  参考訳（メタデータ） (2025-02-22T07:04:32Z)
• Dynamic Noise Preference Optimization for LLM Self-Improvement via Synthetic Data [51.62162460809116]
  我々は、イテレーション間で一貫した改善を保証するために、動的ノイズ優先最適化(DNPO)を導入します。 Zephyr-7Bでの実験では、DNPOは既存の手法を一貫して上回り、平均性能は2.6%向上した。 DNPOは、GPT-4評価のベースラインに比べて29.4%のウィンロス率差で、モデル生成データの品質が大幅に向上したことを示している。
  論文  参考訳（メタデータ） (2025-02-08T01:20:09Z)
• A Hybrid Sampling and Multi-Objective Optimization Approach for Enhanced Software Defect Prediction [3.407555189785573]
  本稿では,ハイブリッドサンプリング技術と多目的最適化アルゴリズムを組み合わせた新しいSDPフレームワークを提案する。 提案モデルは,多目的最適化による特徴融合を適用し,一般化能力と予測の安定性を両立させる。 NASAとPROMISEリポジトリのデータセットで実施された実験は、提案されたハイブリッドサンプリングと多目的最適化アプローチがデータのバランスを改善し、冗長な特徴を排除し、予測精度を高めることを示した。
  論文  参考訳（メタデータ） (2024-10-13T23:39:04Z)
• End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
  機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。 本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。 この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-12T16:33:35Z)
• Efficient Robust Bayesian Optimization for Arbitrary Uncertain Inputs [13.578262325229161]
  本稿では,任意の入力不確実性の下で一貫して動作するロバストな最適化アルゴリズムであるAIRBOを提案する。 提案手法は,最大平均離散度(MMD)を用いてガウス過程を有効化することにより任意の分布の不確実な入力を直接モデル化し,さらにNystrom近似による後部推論を高速化する。 MMD推定誤差と合成関数および実問題に関する広範な実験により,本手法が様々な入力不確実性に対処し,最先端の性能を実現することができることを示す。
  論文  参考訳（メタデータ） (2023-10-31T03:29:31Z)
• Sample-Efficient and Surrogate-Based Design Optimization of Underwater Vehicle Hulls [0.4543820534430522]
  本稿では,BO-LCBアルゴリズムが最もサンプリング効率のよい最適化フレームワークであり,最適収束挙動を有することを示す。 また, DNN に基づく代理モデルでは, CFD シミュレーションと密に一致し, 平均絶対パーセンテージ誤差 (MAPE) が 1.85% であることを示す。 本稿では,サロゲートモデルを用いた設計最適化の2次高速化について述べる。
  論文  参考訳（メタデータ） (2023-04-24T19:52:42Z)

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。