論文の概要: Hybrid Cold-Start Recommender System for Closure Model Selection in Multiphase Flow Simulations

• arxiv url: http://arxiv.org/abs/2604.09112v1
• Date: Fri, 10 Apr 2026 08:46:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.783329
• Title: Hybrid Cold-Start Recommender System for Closure Model Selection in Multiphase Flow Simulations
• Title（参考訳）: 多相流シミュレーションにおけるクロージャモデル選択のためのハイブリッドコールドスタートレコメンダシステム
• Authors: S. Hänsch, A. Sajdoková, A. Rębowski, F. Miškařík, K. Ramakrishna, F. Schlegel, V. Rybář, R. Alves, P. Kordík,
• Abstract要約: 本研究は、低コストな科学領域における冷間開始推薦システム問題としてクロージャモデル選択を定式化する。 i)メタデータ駆動型ケース類似性と(ii)行列補完による協調推論を組み合わせたハイブリッドレコメンデーションフレームワークを提案する。 この手法は136の検証ケースと100のモデルの組み合わせにわたる13,600のシミュレーションで評価される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Selecting appropriate physical models is a critical yet difficult step in many areas of computational science and engineering. In multiphase Computational Fluid Dynamics (CFD), practitioners must choose among numerous closure model combinations whose performance varies strongly across flow conditions. Sub-optimal choices can lead to inaccurate predictions, simulation failures, and wasted computational resources, making model selection a prime candidate for data-driven decision support. This work formulates closure model selection as a cold-start recommender system problem in a high-cost scientific domain. We propose a hybrid recommendation framework that combines (i) metadata-driven case similarity and (ii) collaborative inference via matrix completion. The approach enables case-specific model recommendations for entirely new CFD cases using their descriptive features, while leveraging historical simulation results from similar cases. The methodology is evaluated on 13,600 simulations across 136 validation cases and 100 model combinations. A nested cross-validation protocol with experiment-level holdout is employed to rigorously assess generalisation to unseen flow scenarios under varying levels of data sparsity. Recommendation quality is measured using ranking-based metrics and a domain-specific regret measure capturing performance loss relative to the per-case optimum. Results show that the proposed hybrid recommender consistently outperforms popularity-based and expert-designed reference models and reduces regret across the investigated sparsities. These findings demonstrate that recommender system methodology can effectively support complex scientific decision-making tasks characterised by expensive evaluations, structured metadata, and limited prior observations.
• Abstract（参考訳）: 適切な物理モデルを選択することは、計算科学と工学の多くの分野において非常に難しいステップである。 多相計算流体力学(CFD)では,フロー条件によって性能が強く異なる多数のクロージャモデルの組み合わせを選択する必要がある。 準最適選択は、不正確な予測、シミュレーション失敗、時間の無駄な計算資源をもたらす可能性があるため、モデル選択がデータ駆動決定支援の候補となる。 本研究は、低コストな科学領域における冷間開始推薦システム問題としてクロージャモデル選択を定式化する。 組み合わせたハイブリッドレコメンデーションフレームワークを提案する。 (i)メタデータ駆動のケース類似性と (II)行列補完による協調推論。 このアプローチにより、ケース固有のモデルレコメンデーションが、その記述的特徴を利用して完全に新しいCFDのケースに対して、同様のケースから過去のシミュレーション結果を活用することができる。 この手法は136の検証ケースと100のモデルの組み合わせにわたる13,600のシミュレーションで評価される。 実験レベルのホールトアウトを備えたネスト型クロスバリデーションプロトコルを用いて,データ空間の幅の異なるフローシナリオに対する一般化を厳格に評価する。 推奨品質は、ランクベースの指標と、ケースごとの最適値に対するパフォーマンス損失を計測するドメイン固有の後悔度を用いて測定される。 その結果,提案するハイブリッドレコメンデータは,人気ベースや専門家が設計した参照モデルよりも一貫して優れており,調査対象地域全体の後悔を低減していることがわかった。 これらの結果から, 推薦システム手法は, 高価な評価, 構造化メタデータ, 限定された事前観測によって特徴付けられる, 複雑な科学的意思決定タスクを効果的に支援できることが示唆された。

関連論文リスト

• Adaptive Gaussian Process Search for Simulation-Based Sample Size Estimation in Clinical Prediction Models: Validation of the pmsims R Package [0.45393070061887714]
  サンプルサイズ決定のためのフレキシブルなシミュレーションベースのフレームワークを提供するために,ガウス過程シュロゲートモデリングを用いたRパッケージpmsimsを提示し,検証する。 既存の解析手法(pmsampsize)とシミュレーション手法(samplesizedev)とを比較した。
  論文  参考訳（メタデータ） (2026-03-24T19:53:37Z)
• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Exploiting Temporal Structures of Cyclostationary Signals for Data-Driven Single-Channel Source Separation [98.95383921866096]
  単一チャネルソース分離(SCSS)の問題点について検討する。 我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。 本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-08-22T14:04:56Z)
• fETSmcs: Feature-based ETS model component selection [8.99236558175168]
  シミュレーションデータに基づく分類器の訓練によるETSモデル選択の効率的な手法を提案し, 与えられた時系列に対する適切なモデル成分の予測を行う。 提案手法は,広く使用されている予測競合データセットM4に対して,点予測と予測間隔の両面から評価する。
  論文  参考訳（メタデータ） (2022-06-26T13:52:43Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Top-N Recommendation with Counterfactual User Preference Simulation [26.597102553608348]
  ユーザーランキングに基づく好みの学習を目的としたTop-Nレコメンデーションは、長い間、広範囲のアプリケーションにおいて基本的な問題だった。 本稿では,データ不足問題に対処するため,因果推論フレームワーク内での推薦タスクの再構築を提案する。
  論文  参考訳（メタデータ） (2021-09-02T14:28:46Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)
• Automatic selection of basis-adaptive sparse polynomial chaos expansions for engineering applications [0.0]
  スパースカオス展開のための3つの最新技術に基づく基礎適応的アプローチについて述べる。 我々は,大規模な計算モデルに対して,大域的近似精度の観点から広範なベンチマークを行う。 クロスバリデーションエラーによって導かれる新しい解法と基底適応性選択スキームを導入する。
  論文  参考訳（メタデータ） (2020-09-10T12:13:57Z)
• Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
  本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。 提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。 提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-04-22T15:15:46Z)

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。