論文の概要: Variational LSTM with Augmented Inputs: Nonlinear Response History Metamodeling with Aleatoric and Epistemic Uncertainty
- arxiv url: http://arxiv.org/abs/2604.01587v1
- Date: Thu, 02 Apr 2026 03:58:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-03 14:21:10.217736
- Title: Variational LSTM with Augmented Inputs: Nonlinear Response History Metamodeling with Aleatoric and Epistemic Uncertainty
- Title（参考訳）: Augmented Inputs を用いた変分LSTM:非線型応答履歴メタモデリング : Aleatoric and Epistemic Uncertainty を用いた検討
- Authors: Manisha Sapkota, Min Li, Bowei Li,
- Abstract要約: 不確実性伝播は、パフォーマンスベースの設計とリスクアセスメントにおいて重要である。
この負担を軽減するメタモデルとして機械学習技術が導入されている。
機械学習モデルの"ブラックボックス"の性質は、過度に自信のある予測を避ける必要性を浮き彫りにしている。
- 参考スコア（独自算出の注目度）: 3.752822608245824
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Uncertainty propagation in high-dimensional nonlinear dynamic structural systems is pivotal in state-of-the-art performance-based design and risk assessment, where uncertainties from both excitations and structures, i.e., the aleatoric uncertainty, must be considered. This poses a significant challenge due to heavy computational demands. Machine learning techniques are thus introduced as metamodels to alleviate this burden. However, the "black box" nature of Machine learning models underscores the necessity of avoiding overly confident predictions, particularly when data and training efforts are insufficient. This creates a need, in addition to considering the aleatoric uncertainty, of estimating the uncertainty related to the prediction confidence, i.e., epistemic uncertainty, for machine learning-based metamodels. We developed a probabilistic metamodeling technique based on a variational long short-term memory (LSTM) with augmented inputs to simultaneously capture aleatoric and epistemic uncertainties. Key random system parameters are treated as augmented inputs alongside excitation series carrying record-to-record variability to capture the full range of aleatoric uncertainty. Meanwhile, epistemic uncertainty is effectively approximated via the Monte Carlo dropout scheme. Unlike computationally expensive full Bayesian approaches, this method incurs negligible additional training costs while enabling nearly cost-free uncertainty simulation. The proposed technique is demonstrated through multiple case studies involving stochastic seismic or wind excitations. Results show that the calibrated metamodels accurately reproduce nonlinear response time histories and provide confidence bounds indicating the associated epistemic uncertainty.
- Abstract（参考訳）: 高次元非線形構造系における不確かさの伝播は、最新技術に基づく設計とリスク評価において重要なものであり、励起と構造の両方からの不確実性、すなわちアレタリック不確実性を考える必要がある。
これは重い計算要求のために大きな課題となる。
これにより、この負担を軽減するメタモデルとして機械学習技術が導入される。
しかし、機械学習モデルの「ブラックボックス」の性質は、特にデータやトレーニングの努力が不十分な場合、過度に信頼できる予測を避ける必要性を浮き彫りにしている。
これにより、機械学習に基づくメタモデルにおいて、予測信頼度、すなわちててんかん不確実性に関連する不確実性を推定するアレタリック不確実性を考慮する必要が生じる。
拡張入力を付加した長短期記憶(LSTM)に基づく確率論的メタモデリング手法を開発し,動脈およびてんかんの不確かさを同時に捉えた。
キーランダムシステムパラメータは、レコードからレコードへの可変性を持つ励起系列とともに拡張入力として処理され、アレタリック不確実性の全範囲をキャプチャする。
一方、疫学的な不確実性はモンテカルロのドロップアウトスキームによって効果的に近似される。
計算に高価な完全ベイズアプローチとは異なり、この手法は、ほとんどコストのない不確実性シミュレーションを可能にしながら、無視できる追加の訓練コストを発生させる。
提案手法は,確率的地震や風の励起を含む複数のケーススタディを通じて実証される。
その結果, キャリブレーションされたメタモデルは, 非線形応答時間履歴を正確に再現し, 関連するてんかんの不確実性を示す信頼境界を与えることがわかった。
関連論文リスト
- Cooperative Bayesian and variance networks disentangle aleatoric and epistemic uncertainties [0.0]
実世界のデータは、不完全な測定やデータ生成プロセスに関する不完全な知識から生じる、アレラトリックな不確実性を含んでいる。
平均分散推定(MVE)ネットワークは、このような不確実性を学ぶことができるが、過度な適合を避けるためには、アドホックな正規化戦略を必要とする。
ベイズニューラルネットワークを用いて分散ネットワークを訓練し、その結果のモデルが平均推定を改善しつつ、アレタリックおよびてんかんの不確かさを解き放つことを示す。
論文 参考訳（メタデータ） (2025-05-05T15:50:52Z) - ConfEviSurrogate: A Conformalized Evidential Surrogate Model for Uncertainty Quantification [19.44456342675541]
サーロゲートモデル(英: Surrogate model)とは、シミュレーションノイズからモデル予測エラーまで、複雑なシミュレーションデータを科学的に近似するために不可欠なモデルである。
ConfEviSurrogateは,高次明細分布を効率よく学習できる新しいコンフォーマル化証拠サロゲートモデルである。
我々のモデルは、宇宙論、海洋力学、流体力学を含む様々なシミュレーションにおいて、正確な予測と頑健な不確実性推定を示す。
論文 参考訳（メタデータ） (2025-04-03T15:44:14Z) - Do you understand epistemic uncertainty? Think again! Rigorous frequentist epistemic uncertainty estimation in regression [37.422257886583424]
我々は、初期出力を追加入力として返送することで条件予測を生成するモデルを訓練する。
本手法は,モデルの先行回答に条件付けされた場合の予測応答の変化を観察することにより,モデル不確かさの厳密な測定を可能にする。
論文 参考訳（メタデータ） (2025-03-17T15:54:57Z) - Decomposing Uncertainty for Large Language Models through Input Clarification Ensembling [69.83976050879318]
大規模言語モデル(LLM)では、不確実性の原因を特定することが、信頼性、信頼性、解釈可能性を改善するための重要なステップである。
本稿では,LLMのための不確実性分解フレームワークについて述べる。
提案手法は,入力に対する一連の明確化を生成し,それらをLLMに入力し,対応する予測をアンサンブルする。
論文 参考訳（メタデータ） (2023-11-15T05:58:35Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳（メタデータ） (2023-08-03T12:43:21Z) - Lightweight, Uncertainty-Aware Conformalized Visual Odometry [2.429910016019183]
データ駆動型ビジュアルオドメトリー(VO)は、自律エッジロボティクスにとって重要なサブルーチンである。
昆虫スケールドローンや外科ロボットのような最先端ロボットデバイスは、VOの予測の不確実性を推定する計算的に効率的な枠組みを欠いている。
本稿では,共形推論(CI)を利用してVOの不確実な帯域を抽出する,新しい,軽量で統計的に堅牢なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-03T20:37:55Z) - Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic
Dynamical Models with Epistemic Uncertainty [68.00748155945047]
複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。
いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。
我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
論文 参考訳（メタデータ） (2022-10-12T07:57:03Z) - The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。
我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
論文 参考訳（メタデータ） (2022-05-20T10:10:32Z) - Dense Uncertainty Estimation via an Ensemble-based Conditional Latent
Variable Model [68.34559610536614]
我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。
そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。
以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
論文 参考訳（メタデータ） (2021-11-22T08:54:10Z) - Deep Learning based Uncertainty Decomposition for Real-time Control [9.067368638784355]
本稿では,ディープラーニングを用いたトレーニングデータの欠如を検出する新しい手法を提案する。
合成および実世界のデータセットに対する既存のアプローチに対する利点を示す。
さらに、シミュレーションされたクアッドコプターにオンラインデータ効率制御を展開させる上で、この不確実性推定の実用性を実証する。
論文 参考訳（メタデータ） (2020-10-06T10:46:27Z)
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。