論文の概要: Adaptive Meta-Learning Stochastic Gradient Hamiltonian Monte Carlo Simulation for Bayesian Updating of Structural Dynamic Models

• arxiv url: http://arxiv.org/abs/2604.25710v1
• Date: Tue, 28 Apr 2026 14:34:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.90782
• Title: Adaptive Meta-Learning Stochastic Gradient Hamiltonian Monte Carlo Simulation for Bayesian Updating of Structural Dynamic Models
• Title（参考訳）: 構造力学モデルのベイズ更新のための適応的メタラーニング確率勾配ハミルトンモンテカルロシミュレーション
• Authors: Xianghao Meng, James L. Beck, Yong Huang, Hui Li,
• Abstract要約: 本稿では,適応型メタラーニング勾配ハミルトンモンテカルロ(AM-SGHMC)アルゴリズムを提案する。 AM-SGHMCの背景にある考え方は、適応型ニューラルネットワークをトレーニングすることでサンプリング戦略を最適化することである。 構造的動的モデル更新のためのAM-SGHMCアルゴリズムの実現可能性に関する実践的課題に対処する。
• 参考スコア（独自算出の注目度）: 3.968663789562813
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the last few decades, Markov chain Monte Carlo (MCMC) methods have been widely applied to Bayesian updating of structural dynamic models in the field of structural health monitoring. Recently, several MCMC algorithms have been developed that incorporate neural networks to enhance their performance for specific Bayesian model updating problems. However, a common challenge with these approaches lies in the fact that the embedded neural networks often necessitate retraining when faced with new tasks, a process that is time-consuming and significantly undermines the competitiveness of these methods. This paper introduces a newly developed adaptive meta-learning stochastic gradient Hamiltonian Monte Carlo (AM-SGHMC) algorithm. The idea behind AM-SGHMC is to optimize the sampling strategy by training adaptive neural networks, and due to the adaptive design of the network inputs and outputs, the trained sampler can be directly applied to various Bayesian updating problems of the same type of structure without further training, thereby achieving meta-learning. Additionally, practical issues for the feasibility of the AM-SGHMC algorithm for structural dynamic model updating are addressed, and two examples involving Bayesian updating of multi-story building models with different model fidelity are used to demonstrate the effectiveness and generalization ability of the proposed method.
• Abstract（参考訳）: 過去数十年間、マルコフ連鎖モンテカルロ法(MCMC)は、構造健康モニタリングの分野における構造力学モデルのベイズ的更新に広く応用されてきた。 近年,特定のベイズモデル更新問題に対して,ニューラルネットワークを組み込んだMCMCアルゴリズムが開発されている。 しかしながら、これらのアプローチの一般的な課題は、組み込みニューラルネットワークが新しいタスクに直面した時に再トレーニングを必要とすることが多いという事実にある。 本稿では,適応型メタラーニング確率勾配ハミルトンモンテカルロ(AM-SGHMC)アルゴリズムを提案する。 AM-SGHMCの背景にある考え方は、適応型ニューラルネットワークをトレーニングすることでサンプリング戦略を最適化することであり、ネットワーク入力と出力の適応設計により、トレーニングされたサンプルは、さらなるトレーニングをすることなく、同じタイプの構造のベイズ更新問題に直接適用することができ、メタラーニングを実現することができる。 さらに, 構造的動的モデル更新のためのAM-SGHMCアルゴリズムの実現可能性に関する実践的な問題に対処し, 提案手法の有効性と一般化性を示すために, 異なるモデル忠実度を有する多層建物モデルのベイズ的更新を含む2つの例を用いる。

関連論文リスト

• MCMC with Adaptive Principal-Component Transformation: Rotation-Invariant Universal Samplers for Bayesian Structural System Identification [31.15278343170822]
  Adaptive principal-Component (PC) Meta-learning Hamiltonian Monte Carlo (APM-SGHMC) 本稿では,アダプティブ・プリンシパル・コンポーネント(PC)メタラーニング・ハミルトン・モンテカルロ(APM-SGHMC)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-04-25T17:06:49Z)
• Deep unfolding of MCMC kernels: scalable, modular & explainable GANs for high-dimensional posterior sampling [1.930761833716203]
  本稿では,Langevin MCMCアルゴリズムにディープ・アンフォールディングを適用することで,GANアーキテクチャ設計の新しいアプローチを提案する。 このパラダイムは固定ステップ反復アルゴリズムをモジュラーニューラルネットワークにマッピングし、柔軟で解釈に適したアーキテクチャを生み出す。 後方サンプリングのための教師付き正規化Wasserstein GANフレームワークを用いて、これらの展開されたサンプルをエンドツーエンドにトレーニングする。
  論文  参考訳（メタデータ） (2026-02-24T10:37:10Z)
• A new approach for combined model class selection and parameters learning for auto-regressive neural models [0.4779196219827507]
  この研究は、特定のリカレントニューラルネットワーク(RNN)ファミリー、すなわち、eXogenous inputs Echo State Networks (XENARSNs)による自動回帰に焦点を当てている。 このメソッドは最適なモデルクラスを同時に選択し、データからモデルパラメータを学習する。 その結果、制御アプリケーションに適した擬似的かつ正確なモデルを特定する手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-01-24T12:26:25Z)
• Rethinking the Role of Dynamic Sparse Training for Scalable Deep Reinforcement Learning [58.533203990515034]
  ニューラルネットワークのスケーリングは機械学習における画期的な進歩をもたらしたが、このパラダイムは深層強化学習(DRL)では失敗している。 我々は、動的スパーストレーニング戦略が、アーキテクチャの改善によって確立された主要なスケーラビリティ基盤を補完するモジュール固有の利点を提供することを示す。 アーキテクチャ改善の利点を生かした実践的なフレームワークであるModule-Specific Training (MST) にこれらの知見を精査し、アルゴリズムの修正なしに様々なRLアルゴリズムをまたいだ大幅なスケーラビリティ向上を示す。
  論文  参考訳（メタデータ） (2025-10-14T03:03:08Z)
• FBMS: An R Package for Flexible Bayesian Model Selection and Model Averaging [14.487258585834374]
  FBMSパッケージは、効率的なMode Jumping Markov Chain Monte Carlo (MJMCMC)アルゴリズムを実装している。 この枠組みの中で、アルゴリズムは変換された特徴の集団を維持・更新し、その後部確率を計算し、それらから構築されたモデルの後部確率を評価する。 ガウス回帰における推論モデルと予測モデルの両方にFBMSを効果的に利用することを示し、BGNLMモデルの異なるインスタンスに着目した。
  論文  参考訳（メタデータ） (2025-08-31T09:04:01Z)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Longhorn: State Space Models are Amortized Online Learners [51.10124201221601]
  ステートスペースモデル(SSM)は、トレーニング中に並列性を維持しながら線形デコード効率を提供する。 本研究では、オンライン学習のレンズを通してSSM設計を探求し、特定のオンライン学習問題のメタモジュールとしてSSMを概念化する。 我々は、オンライン連想的リコール問題を解決するためのクローズドフォームソリューションに類似した、新しいディープSSMアーキテクチャであるLonghornを紹介した。
  論文  参考訳（メタデータ） (2024-07-19T11:12:08Z)
• High Accuracy Uncertainty-Aware Interatomic Force Modeling with Equivariant Bayesian Neural Networks [3.028098724882708]
  原子間力学習のための新しいモンテカルロマルコフ連鎖サンプリングアルゴリズムを提案する。 さらに、NequIPアーキテクチャに基づくニューラルネットワークモデルを導入し、新しいサンプリングアルゴリズムと組み合わせることで、最先端の精度で予測が得られ、不確実性の優れた指標が得られることを示す。
  論文  参考訳（メタデータ） (2023-04-05T10:39:38Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)

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。