論文の概要: Online Bayesian Calibration under Gradual and Abrupt System Changes

• arxiv url: http://arxiv.org/abs/2605.06612v1
• Date: Thu, 07 May 2026 17:29:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:12.044289
• Title: Online Bayesian Calibration under Gradual and Abrupt System Changes
• Title（参考訳）: 経時的・急激なシステム変化下におけるオンラインベイズ校正
• Authors: Yang Xu, Chiwoo Park,
• Abstract要約: シミュレーションミスマッチと非定常性の下でのストリーミングデータに対するオンラインベイズ校正フレームワークを提案する。 本研究は, 段階的な進化と偽アラームの追跡, 再起動機構の検知動作を含む, 両コンポーネントの理論的保証を確立する。 人工および植物シミュレーションのベンチマークに関する実証研究により、BRPCは段階的な変化の下でキャリブレーション精度を向上する一方、再起動したBRPCは急激な状態変化下での堅牢性と予測性能をさらに向上することが示された。
• 参考スコア（独自算出の注目度）: 5.240783452267199
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Bayesian model calibration is central to digital twins and computer experiments, as it aligns model outputs with field observations by estimating calibration parameters and correcting systematic model bias. Classical Bayesian calibration introduces latent parameters and a discrepancy function to model bias, but suffers from parameter--discrepancy confounding and is typically formulated as an offline procedure under a stationary data-generating assumption. These limitations are restrictive in modern digital twin applications, where systems evolve over time and may exhibit gradual drift and abrupt regime shifts. While data assimilation methods enable sequential updates, they generally do not explicitly model systematic bias and are less effective under abrupt changes. We propose Bayesian Recursive Projected Calibration (BRPC), an online Bayesian calibration framework for streaming data under simulator mismatch and nonstationarity. BRPC extends projected calibration to the online setting by separating a discrepancy-free particle update for calibration parameters from a conditional Gaussian process update for discrepancy, preserving identifiability while enabling bias-aware adaptation under gradual system evolution. To handle abrupt changes, BRPC is integrated with restart mechanisms that detect regime shifts and reset the calibration process. We establish theoretical guarantees for both components, including tracking performance under gradual evolution and false-alarm and detection behavior for restart mechanisms. Empirical studies on synthetic and plant-simulation benchmarks show that BRPC improves calibration accuracy under gradual changes, while restart-augmented BRPC further improves robustness and predictive performance under abrupt regime shifts compared to sliding-window Bayesian calibration and data assimilation baselines.
• Abstract（参考訳）: ベイズモデルキャリブレーションは、キャリブレーションパラメータを推定し、体系的なモデルバイアスを補正することによって、モデル出力とフィールド観測を一致させるため、デジタルツインやコンピュータ実験の中心となる。 古典的ベイズ校正は、潜在パラメータと離散関数をモデルバイアスに導入するが、パラメータの差分共起に悩まされ、定常的なデータ生成仮定の下では、通常、オフラインの手順として定式化される。 これらの制限は、時間とともにシステムが進化し、段階的なドリフトと急激な政権シフトを示す現代のデジタルツインアプリケーションにおいて制限される。 データ同化法はシーケンシャルな更新を可能にするが、一般には体系的なバイアスを明示的にモデル化せず、急激な変更の下では効果が低い。 シミュレーションミスマッチと非定常性の下でのストリーミングデータのためのオンラインベイズ校正フレームワークであるベイズ再帰計画校正(BRPC)を提案する。 BRPCは、偏差パラメータの偏差のないパーティクル更新を条件付きガウスプロセス更新から切り離し、段階的なシステム進化の下でバイアス対応の適応を可能にしながら、識別性を保ったことで、オンライン設定へのキャリブレーションを拡張している。 急激な変更に対処するため、BRPCはレシエーションシフトを検出し、キャリブレーションプロセスをリセットする再起動メカニズムと統合されている。 本研究は, 段階的な進化と偽アラームの追跡, 再起動機構の検知動作を含む, 両コンポーネントの理論的保証を確立する。 人工および植物シミュレーションのベンチマーク実験により、BRPCは段階的変化下でのキャリブレーション精度を向上する一方、再起動したBRPCはスライディングウインドウのキャリブレーションやデータ同化ベースラインと比較して、急激な状態変化下でのロバストネスと予測性能をさらに向上することが示された。

関連論文リスト

• Transformer-Based Predictive Maintenance for Risk-Aware Instrument Calibration [0.13543803103181612]
  キャリブレーションスケジューリングを予測的メンテナンス問題として検討する。 我々は、NASA C-MAPSSベンチマークをキャリブレーション設定に適合させる。 本研究では,条件に基づくキャリブレーションを共同予測と決定の問題とみなすことができることを示す。
  論文  参考訳（メタデータ） (2026-03-19T06:32:01Z)
• Gradient Rectification for Robust Calibration under Distribution Shift [28.962407770230882]
  ディープニューラルネットワークは、しばしば過信な予測を生成し、安全クリティカルなアプリケーションにおける信頼性を損なう。 対象とするドメイン情報にアクセスせずに動作する新しいキャリブレーションフレームワークを提案する。 本手法は, 配電時の校正性能を向上するとともに, 配電時の校正性能を向上する。
  論文  参考訳（メタデータ） (2025-08-27T12:28:26Z)
• Sample Margin-Aware Recalibration of Temperature Scaling [20.87493013833571]
  近年のディープラーニングの進歩は予測精度を大幅に改善した。 現代のニューラルネットワークは体系的に過信され、安全クリティカルなシナリオに展開するリスクを生じさせる。 本稿では,上位2つのロジット間のマージンに基づいて,ロジットを正確にスケールする軽量でデータ効率の高いリカバリ手法を提案する。
  論文  参考訳（メタデータ） (2025-06-30T03:35:05Z)
• Calibration-Aware Bayesian Learning [37.82259435084825]
  本稿では、キャリブレーション対応ベイズニューラルネットワーク(CA-BNN)と呼ばれる統合フレームワークを提案する。 ベイズ学習のように変分分布を最適化しながら、データ依存あるいはデータ非依存の正則化をそれぞれ適用する。 予測キャリブレーション誤差(ECE)と信頼性図を用いて,提案手法の利点を検証した。
  論文  参考訳（メタデータ） (2023-05-12T14:19:15Z)
• Sharp Calibrated Gaussian Processes [58.94710279601622]
  キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。 本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。 我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:17:36Z)
• Modular Conformal Calibration [80.33410096908872]
  回帰における再校正のためのアルゴリズムを多種多様なクラスで導入する。 このフレームワークは、任意の回帰モデルをキャリブレーションされた確率モデルに変換することを可能にする。 我々は17の回帰データセットに対するMCCの実証的研究を行った。
  論文  参考訳（メタデータ） (2022-06-23T03:25:23Z)
• Parameterized Temperature Scaling for Boosting the Expressive Power in Post-Hoc Uncertainty Calibration [57.568461777747515]
  我々は新しいキャリブレーション手法であるパラメタライズド温度スケーリング(PTS)を導入する。 最新のポストホックキャリブレータの精度保持性能は、その本質的な表現力によって制限されることを実証します。 当社の新しい精度保存手法が,多数のモデルアーキテクチャやデータセット,メトリクスにおいて,既存のアルゴリズムを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2021-02-24T10:18:30Z)
• Uncertainty Quantification and Deep Ensembles [79.4957965474334]
  ディープアンサンブルが必ずしもキャリブレーション特性の改善につながるとは限らないことを示す。 そこで本研究では,混成正規化などの現代的な手法と併用して標準アンサンブル法を用いることで,キャリブレーションの少ないモデルが得られることを示す。 このテキストは、データが不足しているときにディープラーニングを活用するために、最も単純で一般的な3つのアプローチの相互作用を調べる。
  論文  参考訳（メタデータ） (2020-07-17T07:32:24Z)
• Transferable Calibration with Lower Bias and Variance in Domain Adaptation [139.4332115349543]
  ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインへの学習マシンの転送を可能にする。 DAモデルの予測的不確実性を推定する方法は、安全クリティカルなシナリオにおける意思決定に不可欠である。 TransCalは既存のDAメソッドの校正に簡単に適用できる。
  論文  参考訳（メタデータ） (2020-07-16T11:09:36Z)

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。