論文の概要: Generative AI-enhanced Probabilistic Multi-Fidelity Surrogate Modeling Via Transfer Learning
- arxiv url: http://arxiv.org/abs/2602.00072v1
- Date: Tue, 20 Jan 2026 20:03:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-09 02:03:42.322214
- Title: Generative AI-enhanced Probabilistic Multi-Fidelity Surrogate Modeling Via Transfer Learning
- Title（参考訳）: 伝達学習を用いたAIによる確率的多要素サロゲート生成
- Authors: Jice Zeng, David Barajas-Solano, Hui Chen,
- Abstract要約: High-fidelity (HF) データは入手に乏しく、計算コストも低いが、low-fidelity (LF) データは豊富だが精度は低い。
生成的伝達学習に基づく確率的多要素サロゲートフレームワークを開発した。
本研究では,多くの粗いメッシュ (LF) シミュレーションと有限セットのファインメッシュ (HF) シミュレーションを組み合わせることで,鉄筋コンクリートスラブベンチマークのアプローチを検証した。
- 参考スコア（独自算出の注目度）: 3.310239330294451
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The performance of machine learning surrogates is critically dependent on data quality and quantity. This presents a major challenge, as high-fidelity (HF) data is often scarce and computationally expensive to acquire, while low-fidelity (LF) data is abundant but less accurate. To address this data scarcity problem, we develop a probabilistic multi-fidelity surrogate framework based on generative transfer learning. We employ a normalizing flow (NF) generative model as the backbone, which is trained in two phases: (i) the NF is first pretrained on a large LF dataset to learn a probabilistic forward model; (ii) the pretrained model is then fine-tuned on a small HF dataset, allowing it to correct for LF-HF discrepancies via knowledge transfer. To relax the dimension-preserving constraint of standard bijective NFs, we integrate surjective (dimension-reducing) layers with standard coupling blocks. This architecture enables learned dimension reduction while preserving the ability to train with exact likelihoods. The resulting surrogate provides fast probabilistic predictions with quantified uncertainty and significantly outperforms LF-only baselines while using fewer HF evaluations. We validate the approach on a reinforced concrete slab benchmark, combining many coarse-mesh (LF) simulations with a limited set of fine-mesh (HF) simulations. The proposed model achieves probabilistic predictions with HF accuracy, demonstrating a practical path toward data-efficient, generative AI-driven surrogates for complex engineering systems.
- Abstract（参考訳）: 機械学習サロゲートの性能は、データ品質と量に大きく依存する。
これは、高忠実度(HF)データが希少で、取得に計算コストがかかるのに対して、低忠実度(LF)データは豊富だが精度は低いため、大きな課題となる。
このデータ不足問題に対処するため,生成的トランスファー学習に基づく確率的多要素サロゲートフレームワークを開発した。
背骨には正規化流(NF)生成モデルを用い,2段階に分けて訓練した。
(i)NFは、確率的前方モデルを学ぶために、まず大きなLFデータセット上で事前訓練される。
(II) 事前訓練されたモデルは、小さなHFデータセット上で微調整され、知識伝達によるLF-HFの相違を補正する。
標準単射NFの次元保存制約を緩和するために, 標準結合ブロックと全射(次元還元)層を統合する。
このアーキテクチャは、学習した次元の縮小を可能にし、正確な確率でトレーニングする能力を保持する。
結果として得られるサロゲートは、定量化された不確実性を持つ高速確率予測を提供し、HF評価を少なくしながらLFのみのベースラインを著しく上回る。
本研究では,多くの粗いメッシュ (LF) シミュレーションと有限セットのファインメッシュ (HF) シミュレーションを組み合わせることで,鉄筋コンクリートスラブベンチマークのアプローチを検証した。
提案モデルはHF精度で確率的予測を達成し、複雑なエンジニアリングシステムのためのデータ効率、生成AI駆動サロゲートへの実践的な道筋を示す。
関連論文リスト
- Efficient Regression-Based Training of Normalizing Flows for Boltzmann Generators [85.25962679349551]
ボルツマン・ジェネレータ(BG)は効率的なサンプリングと可能性を提供するが、最大可能性によるトレーニングはしばしば不安定であり、計算的に困難である。
本稿では,従来の最大値トレーニングの数値不安定性と計算課題を回避し,新しい,スケーラブルなトレーニング目標である正規化フローの回帰トレーニングを提案する。
論文 参考訳（メタデータ） (2025-06-01T20:32:27Z) - Provably Efficient Online RLHF with One-Pass Reward Modeling [70.82499103200402]
人間のフィードバックからの強化学習は、大規模言語モデルと人間の好みを合わせることに顕著な成功を収めた。
オンラインRLHFは有望な方向性として現れ、反復的なデータ収集と改善を可能にしている。
本稿では,過去のデータを保存する必要をなくし,反復毎に一定時間更新を行うワンパス報酬モデリング手法を提案する。
論文 参考訳（メタデータ） (2025-02-11T02:36:01Z) - Muti-Fidelity Prediction and Uncertainty Quantification with Laplace Neural Operators for Parametric Partial Differential Equations [6.03891813540831]
Laplace Neural Operators (LNOs) は、科学機械学習において有望なアプローチとして登場した。
低忠実度ベースモデルと並列線形/非線形HF補正と動的相互重み付けを組み合わせた多忠実Laplace Neural Operator (MF-LNOs)を提案する。
これにより、LFデータセットとHFデータセットの相関を利用して、興味のある量の正確な推測を行うことができる。
論文 参考訳（メタデータ） (2025-02-01T20:38:50Z) - Bi-fidelity Variational Auto-encoder for Uncertainty Quantification [7.724713939814071]
本稿では,QoIの低忠実度(LF)および高忠実度(HF)サンプルからQoIに関連する不確かさを推定するために,変分オートエンコーダ(BF-VAE)の2次元定式化を提案する。
限られたHFデータが存在する場合のHFログの変動的下界を最大化する有効なアルゴリズムを提案する。
以上の結果から,BF-VAEの精度は,HFデータのみを用いて訓練したVAEと比較して有意に向上した。
論文 参考訳（メタデータ） (2023-05-25T23:22:33Z) - Multi-fidelity prediction of fluid flow and temperature field based on
transfer learning using Fourier Neural Operator [10.104417481736833]
本研究では,フーリエニューラル演算子に基づく新しい多要素学習手法を提案する。
トランスファーラーニングパラダイムの下では、豊富な低忠実度データと限られた高忠実度データを使用する。
提案した多忠実度モデルの精度を検証するために,3つの典型的な流体および温度予測問題を選択する。
論文 参考訳（メタデータ） (2023-04-14T07:46:03Z) - Enhancing Multiple Reliability Measures via Nuisance-extended
Information Bottleneck [77.37409441129995]
トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。
我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。
そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
論文 参考訳（メタデータ） (2023-03-24T16:03:21Z) - Probabilistic Neural Data Fusion for Learning from an Arbitrary Number
of Multi-fidelity Data Sets [0.0]
本稿では,データ融合にニューラルネットワーク(NN)を用いる。
本稿では,MFモデリングを非線形多様体学習問題に変換するユニークなNNアーキテクチャを提案する。
我々のアプローチは、様々な情報源の不確実性を定量化しながら、高い予測力を提供します。
論文 参考訳（メタデータ） (2023-01-30T20:27:55Z) - 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) - Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
条件正規化フロー(CNF)はサンプリングと推論において効率的である。
出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
論文 参考訳（メタデータ） (2019-11-29T19:17:58Z)
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。