論文の概要: MAST: A Multi-fidelity Augmented Surrogate model via Spatial Trust-weighting

• arxiv url: http://arxiv.org/abs/2602.20974v1
• Date: Tue, 24 Feb 2026 14:57:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.798879
• Title: MAST: A Multi-fidelity Augmented Surrogate model via Spatial Trust-weighting
• Title（参考訳）: MAST:空間信頼重み付けによる多要素強化サロゲートモデル
• Authors: Ahmed Mohamed Eisa Nasr, Haris Moazam Sheikh,
• Abstract要約: 工学設計と科学計算では、計算コストと予測精度は本質的に結合している。 MASTは,補正された低忠実度観測と高忠実度予測をブレンドする手法である。 多要素合成ベンチマークでは、MASTは現在の最先端技術よりも顕著に改善されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In engineering design and scientific computing, computational cost and predictive accuracy are intrinsically coupled. High-fidelity simulations provide accurate predictions but at substantial computational costs, while lower-fidelity approximations offer efficiency at the expense of accuracy. Multi-fidelity surrogate modelling addresses this trade-off by combining abundant low-fidelity data with sparse high-fidelity observations. However, existing methods suffer from expensive training cost or rely on global correlation assumptions that often fail in practice to capture how fidelity relationships vary across the input space, leading to poor performance particularly under tight budget constraints. We introduce MAST, a method that blends corrected low-fidelity observations with high-fidelity predictions, trusting high-fidelity near observed samples and relying on corrected low-fidelity elsewhere. MAST achieves this through explicit discrepancy modelling and distance-based weighting with closed-form variance propagation, producing a single heteroscedastic Gaussian process. Across multi-fidelity synthetic benchmarks, MAST shows a marked improvement over the current state-of-the-art techniques. Crucially, MAST maintains robust performance across varying total budget and fidelity gaps, conditions under which competing methods exhibit significant degradation or unstable behaviour.
• Abstract（参考訳）: 工学設計と科学計算では、計算コストと予測精度は本質的に結合している。 高忠実度シミュレーションは正確な予測を提供するが、計算コストはかなり高いが、低忠実度近似は精度を犠牲にして効率性を提供する。 マルチフィデリティ・サロゲートモデリングは、豊富な低フィデリティデータと希少な高フィデリティ観測を組み合わせることで、このトレードオフに対処する。 しかし、既存の手法は、高価なトレーニングコストに悩まされるか、あるいは、入力空間間での忠実さの関係がいかに異なるかを把握するために、実際に失敗するグローバルな相関仮定に依存しているため、特に予算の厳しい制約下ではパフォーマンスが低下する。 MASTは、補正された低忠実度観測と高忠実度予測を混合し、観察された試料の近傍で高忠実度を信頼し、他の場所で補正された低忠実度を信頼する手法である。 MASTは、明示的な差分モデリングと閉形式分散伝播による距離ベース重み付けによりこれを達成し、単一のヘテロセダスティックガウス過程を生成する。 多要素合成ベンチマークでは、MASTは現在の最先端技術よりも顕著に改善されている。 重要な点として、MASTは、様々な予算とフィデリティギャップにまたがる堅牢なパフォーマンスを維持しており、競合する手法が重大な劣化または不安定な振る舞いを示す条件である。

関連論文リスト

• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
  モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。 累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。 主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
  論文  参考訳（メタデータ） (2026-02-10T21:08:53Z)
• FIRE: Multi-fidelity Regression with Distribution-conditioned In-context Learning using Tabular Foundation Models [3.8824066002669855]
  MF(Multi-fidelity)レグレッションは、極端なデータ不均衡のレギュレーションでしばしば機能する。 トレーニングフリーなMFフレームワークであるFIREを紹介する。 Fireは、最先端のGPベースまたはディープラーニングのMF回帰メソッドの7つよりもパフォーマンスタイムのトレードオフが強い。
  論文  参考訳（メタデータ） (2026-01-29T22:29:58Z)
• MaP: A Unified Framework for Reliable Evaluation of Pre-training Dynamics [72.00014675808228]
  大規模言語モデルの不安定性評価プロセスは、真の学習力学を曖昧にする。 textbfMaPは、アンダーラインMergingアンダーラインとアンダーラインPass@kメトリックを統合するフレームワークです。 実験により、MaPはよりスムーズな性能曲線を示し、ラン間分散を低減し、より一貫性のあるランキングを保証する。
  論文  参考訳（メタデータ） (2025-10-10T11:40:27Z)
• Multifidelity Simulation-based Inference for Computationally Expensive Simulators [7.065679767112407]
  MF-(TS)NPEは、トランスファーラーニングを用いて安価な低忠実度シミュレーションを利用する、神経後部推定のための多忠実なアプローチである。 A-MF-TSNPEは,密度推定器の予測不確かさを目標とした取得関数を用いた逐次変種である。
  論文  参考訳（メタデータ） (2025-02-12T13:59:22Z)
• Multifidelity Surrogate Models: A New Data Fusion Perspective [0.0]
  多要素サロゲートモデリングは、異なるソースからの様々な精度とコストのデータを組み合わせる。 戦略的に低忠実度モデルを用いて、迅速な評価を行い、計算資源を節約している。 これは不確実性に対処し、単一忠実性モデルの限界を超えることで意思決定を改善する。
  論文  参考訳（メタデータ） (2024-04-21T11:21:47Z)
• Uncertainty-aware multi-fidelity surrogate modeling with noisy data [0.0]
  実世界の応用では、測定や数値ノイズによる高忠実度モデルと低忠実度モデルの両方に不確実性が存在する。 本稿では,ノイズ汚染データを扱う多要素代理モデリングのための包括的フレームワークを提案する。 提案するフレームワークは,物理実験と計算モデルを組み合わせた自然なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-01-12T08:37:41Z)
• Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
  限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。 我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。 また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
  論文  参考訳（メタデータ） (2022-10-14T08:09:33Z)
• 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)
• Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
  強靭性と精度のトレードオフは、敵文学において広く研究されている。 局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。 定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
  論文  参考訳（メタデータ） (2022-02-21T10:36:09Z)
• Context-aware surrogate modeling for balancing approximation and sampling costs in multi-fidelity importance sampling and Bayesian inverse problems [0.0]
  マルチファイダリティ法は、低コストのサロゲートモデルを利用して計算を高速化する。 代用モデルと高忠実度モデルが併用されるため、代用モデルによる貧弱な予測は、高忠実度モデルへの頻繁な関係で補うことができる。 この研究は、多重忠実度重要度サンプリングを考慮し、サロゲートモデルの忠実度を増大させることから理論的および計算的にトレードオフする。
  論文  参考訳（メタデータ） (2020-10-22T13:31:51Z)

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。