論文の概要: A Unified Hierarchical Multi-Task Multi-Fidelity Framework for Data-Efficient Surrogate Modeling in Manufacturing

• arxiv url: http://arxiv.org/abs/2603.09842v1
• Date: Tue, 10 Mar 2026 16:06:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.445229
• Title: A Unified Hierarchical Multi-Task Multi-Fidelity Framework for Data-Efficient Surrogate Modeling in Manufacturing
• Title（参考訳）: データ効率な製造サロゲートモデリングのための階層型マルチタスク多機能フレームワーク
• Authors: Manan Mehta, Zhiqiao Dong, Yuhang Yang, Chenhui Shao,
• Abstract要約: 本稿では,プロセスベースサロゲートモデリングのための階層型マルチタスク多面体(H-MT-MF)フレームワークを開発する。 提案フレームワークは,各タスクの応答をタスク固有のグローバルトレンドとタスク間で共同で学習される残差局所変動成分に分解する。 現状のMTLモデルでは、忠実度を考慮せず、個別にタスクを学習するクリグモデルと比較して、提案手法は予測精度を最大19%と23%向上させる。
• 参考スコア（独自算出の注目度）: 5.837132313338578
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Surrogate modeling is an essential data-driven technique for quantifying relationships between input variables and system responses in manufacturing and engineering systems. Two major challenges limit its effectiveness: (1) large data requirements for learning complex nonlinear relationships, and (2) heterogeneous data collected from sources with varying fidelity levels. Multi-task learning (MTL) addresses the first challenge by enabling information sharing across related processes, while multi-fidelity modeling addresses the second by accounting for fidelity-dependent uncertainty. However, existing approaches typically address these challenges separately, and no unified framework simultaneously leverages inter-task similarity and fidelity-dependent data characteristics. This paper develops a novel hierarchical multi-task multi-fidelity (H-MT-MF) framework for Gaussian process-based surrogate modeling. The proposed framework decomposes each task's response into a task-specific global trend and a residual local variability component that is jointly learned across tasks using a hierarchical Bayesian formulation. The framework accommodates an arbitrary number of tasks, design points, and fidelity levels while providing predictive uncertainty quantification. We demonstrate the effectiveness of the proposed method using a 1D synthetic example and a real-world engine surface shape prediction case study. Compared to (1) a state-of-the-art MTL model that does not account for fidelity information and (2) a stochastic kriging model that learns tasks independently, the proposed approach improves prediction accuracy by up to 19% and 23%, respectively. The H-MT-MF framework provides a general and extensible solution for surrogate modeling in manufacturing systems characterized by heterogeneous data sources.
• Abstract（参考訳）: サロゲートモデリングは, 製造システムと工学システムにおいて, 入力変数とシステム応答の関係を定量化する重要なデータ駆動手法である。 1) 複雑な非線形関係を学習するための大規模なデータ要件,(2) 異種データから収集した様々な忠実度レベル。 マルチタスク学習(MTL)は、関連するプロセス間での情報共有を可能にすることで、最初の課題に対処する。 しかし、既存のアプローチは一般的にこれらの課題に別々に対処し、タスク間の類似性と忠実度に依存したデータ特性を同時に活用する統合フレームワークは存在しない。 本稿では,ガウス過程に基づくサロゲートモデリングのための階層型マルチタスク多面体(H-MT-MF)フレームワークを開発する。 提案フレームワークは,各タスクの応答をタスク固有のグローバルトレンドと,階層的ベイズ式を用いてタスク間で共同で学習される局所変動成分に分解する。 このフレームワークは任意の数のタスク、設計ポイント、忠実度レベルに対応し、予測の不確実性定量化を提供する。 1次元合成例と実世界のエンジン表面形状予測ケーススタディを用いて,提案手法の有効性を実証した。 2)タスクを個別に学習する確率的クリギングモデルと比較して,提案手法は予測精度を最大19%と23%向上させる。 H-MT-MFフレームワークは、異種データソースを特徴とする製造システムにおいて、サロゲートモデリングのための汎用的で拡張可能なソリューションを提供する。

関連論文リスト

• Graph-Structured Deep Learning Framework for Multi-task Contention Identification with High-dimensional Metrics [7.231459004015238]
  本研究では,高次元システム環境におけるマルチタスク競合タイプを正確に同定することの課題に対処する。 表現変換,構造モデリング,タスク分離機構を統合したコンテント分類フレームワークを提案する。 パブリックシステムトレースデータセットで実施された実験は、精度、リコール、精度、F1の利点を示している。
  論文  参考訳（メタデータ） (2026-01-28T08:54:15Z)
• Multi-task Modeling for Engineering Applications with Sparse Data [3.0959031768743706]
  本稿では,マルチソース多要素データに特徴付けられるエンジニアリングシステムに適したマルチタスクガウス処理(MTGP)フレームワークを提案する。 タスク間関係の定量化と活用により,提案したMTGPフレームワークは,計算および実験コストの大きい領域における予測モデリングのための堅牢でスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2026-01-09T16:28:19Z)
• Heterogeneous Model Alignment in Digital Twin [0.0]
  モデル駆動DTにおける主要な課題は、抽象層にまたがる異種モデルを整列させることである。 静的マッピングと手動の更新に依存する既存のメソッドは、しばしば柔軟性がなく、エラーを起こし、データの整合性を損なうリスクがある。 多層型モデル駆動型DTのための異種モデルアライメント手法を提案する。
  論文  参考訳（メタデータ） (2025-12-17T10:36:55Z)
• SE-Merging: A Self-Enhanced Approach for Dynamic Model Merging [60.83635006372403]
  textttSE-Mergingは自己拡張型モデルマージフレームワークである。 textttSE-Mergingは、追加のトレーニングなしで動的モデルのマージを実現することを示す。
  論文  参考訳（メタデータ） (2025-06-22T18:38:41Z)
• Large Language Model as Meta-Surrogate for Data-Driven Many-Task Optimization: A Proof-of-Principle Study [11.452011929848844]
  本研究では,マルチタスク最適化を支援するメタサロゲートフレームワークを提案する。 問題群に適合するメタデータを持つ普遍モデルを定義することにより、多タスクフィットネス予測のための統一的なフレームワークを定式化する。 我々のフレームワークは、双対レベルの知識伝達 -- 代理レベルと個別レベルの両方 -- をサポートし、最適化の効率性と堅牢性を高めます。
  論文  参考訳（メタデータ） (2025-03-11T11:13:11Z)
• Task Groupings Regularization: Data-Free Meta-Learning with Heterogeneous Pre-trained Models [83.02797560769285]
  Data-Free Meta-Learning (DFML)は、トレーニング済みモデルのコレクションから、元のデータにアクセスせずに知識を抽出することを目的としている。 現在の手法は、事前訓練されたモデル間の不均一性を見落とし、タスクの衝突による性能低下につながることが多い。
  論文  参考訳（メタデータ） (2024-05-26T13:11:55Z)
• Task-Distributionally Robust Data-Free Meta-Learning [99.56612787882334]
  Data-Free Meta-Learning (DFML)は、複数の事前学習モデルを活用することで、独自のトレーニングデータを必要とせずに、新しいタスクを効率的に学習することを目的としている。 TDS(Task-Distribution Shift)とTDC(Task-Distribution Corruption)の2つの大きな課題を初めて明らかにした。
  論文  参考訳（メタデータ） (2023-11-23T15:46:54Z)
• AdaMerging: Adaptive Model Merging for Multi-Task Learning [68.75885518081357]
  本稿では,Adaptive Model Merging (AdaMerging)と呼ばれる革新的な手法を紹介する。 本来のトレーニングデータに頼ることなく、タスクレベルでも階層的にも、モデルマージの係数を自律的に学習することを目指している。 AdaMergingは、現在の最先端のタスク演算のマージ方式と比較すると、パフォーマンスが11%向上している。
  論文  参考訳（メタデータ） (2023-10-04T04:26:33Z)

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。