論文の概要: Improvise, Adapt, Overcome: An On-The-Fly Multifidelity Algorithm for Efficient Machine Learning

• arxiv url: http://arxiv.org/abs/2606.02662v1
• Date: Mon, 01 Jun 2026 08:26:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.499879
• Title: Improvise, Adapt, Overcome: An On-The-Fly Multifidelity Algorithm for Efficient Machine Learning
• Title（参考訳）: 効率の良い機械学習のためのOn-Fly Multifidelityアルゴリズム
• Authors: Vivin Vinod, Peter Zaspel,
• Abstract要約: MFML(Multifidelity Machine Learning)は、豊富な低忠実度データとスパース高忠実度データを組み合わせる。 標準的なMFMLスキームは、フィデリティ間のスパースデータ比を決定するために、事前に定義されたスケーリング因子に依存している。 本稿では,学習データセットの構成を自律的に決定する機械学習のための適応型オンザフライ多忠実フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning has accelerated quantum chemistry but is hindered by the prohibitive cost of generating high fidelity training data. Multifidelity machine learning (MFML) mitigates this overhead by systematically combining abundant low fidelity data with sparse high fidelity data. In spite of its success, standard MFML schemes rely on pre-defined scaling factors to determine sparse data ratio across fidelities, often generating redundant multifidelity data resulting in a loss of efficiency. Here, we introduce an adaptive on-the-fly multifidelity framework for machine learning that autonomously determines training dataset composition. By dynamically querying training samples at each fidelity, the algorithm saturates model accuracy at lower fidelities before moving up to more expensive reference calculations. We benchmark the novel adaptive-MFML across diverse chemical properties including the computational chemistry gold standard coupled cluster energies, and the more chemically challenging excitation energies. In our numerical experiments we show that our adaptive algorithm reduces data generation costs by up to a factor of 30 compared to single fidelity methods and improves upon standard MFML by up to a factor of 5. The mitigation of data redundancy establishes a high-accuracy low-cost pathway for sustainable cost-aware machine learning in quantum chemistry.
• Abstract（参考訳）: 機械学習は量子化学を加速してきたが、高忠実度トレーニングデータを生成することの禁止コストによって妨げられている。 MFML(Multifidelity Machine Learning)は、豊富な低忠実度データをスパース高忠実度データと体系的に組み合わせることで、このオーバーヘッドを軽減する。 その成功にもかかわらず、標準的なMFMLスキームは、フィデリティ間のスパースデータ比を決定するために、事前に定義されたスケーリング因子に依存しており、しばしば冗長なマルチフィデリティデータを生成して効率を損なう。 本稿では,学習データセットの構成を自律的に決定する機械学習のための適応型オンザフライ多忠実フレームワークを提案する。 各忠実度でトレーニングサンプルを動的にクエリすることで、アルゴリズムはより高価な参照計算に移行する前に、より低い忠実度でモデルの精度を飽和させる。 我々は、計算化学のゴールド標準結合クラスターエネルギーや、より化学的に困難な励起エネルギーなど、様々な化学特性にまたがる新しい適応型MFMLをベンチマークする。 数値実験により, 適応アルゴリズムは単一忠実度法に比べて最大30倍のコスト削減を実現し, 標準MFMLを最大5。 データ冗長性の緩和は、量子化学における持続可能なコスト認識機械学習のための高精度な低コストの経路を確立する。

関連論文リスト

• Optimizing Pretraining Data Mixtures with LLM-Estimated Utility [52.08428597962423]
  大規模な言語モデルは、高品質なトレーニングデータの増加によって改善される。 トークンカウントは手動と学習の混合よりも優れており、データセットのサイズと多様性に対する単純なアプローチが驚くほど効果的であることを示している。 UtiliMaxは,手動ベースラインよりも最大10.6倍のスピードアップを達成することで,トークンベースの200ドルを拡大する。また,LLMを活用して小さなサンプルからデータユーティリティを推定するモデル推定データユーティリティ(MEDU)は,計算要求を$simxで削減し,アブレーションベースのパフォーマンスに適合する。
  論文  参考訳（メタデータ） (2025-01-20T21:10:22Z)
• Learning for Cross-Layer Resource Allocation in MEC-Aided Cell-Free Networks [71.30914500714262]
  移動エッジコンピューティング(MEC)を援用したセルフリーネットワーク上でのクロスレイヤリソース割り当ては、データレートを促進するために、送信およびコンピューティングリソースを十分に活用することができる。 深層学習の観点からMEC支援セルフリーネットワークのサブキャリア配置とビームフォーミング最適化について検討した。
  論文  参考訳（メタデータ） (2024-12-21T10:18:55Z)
• Investigating Data Hierarchies in Multifidelity Machine Learning for Excitation Energies [0.0]
  本研究では,QeMFiベンチマークを用いた鉛直励起エネルギー予測におけるモデル効率と精度に対する$gamma$の修正の影響について検討した。 MFMLの新たな誤差距離、誤差輪郭は、各忠実度からのモデル誤差寄与の包括的ビューを提供するために提案される。 実験結果から, 対象忠実度が低い場合, 目標忠実度において2つのトレーニングサンプルのみを用いて, モデル精度を向上できることが示唆された。
  論文  参考訳（メタデータ） (2024-10-15T08:35:00Z)
• Benchmarking Data Efficiency in $Δ$-ML and Multifidelity Models for Quantum Chemistry [0.0]
  この研究は、$Delta$-ML、MFML、最適化されたMFML(o-MFML)に関連するデータコストを比較する。 以上の結果から,マルチ忠実度法は,多くの予測を行う場合の標準$Delta$-ML手法を超えることが示唆された。
  論文  参考訳（メタデータ） (2024-10-15T08:34:32Z)
• Multifidelity linear regression for scientific machine learning from scarce data [0.0]
  本稿では,線形回帰を用いた科学機械学習のための多面的学習手法を提案する。 我々は,提案手法の精度を保証し,高忠実度データの少ないロバスト性を向上する新しい推定器のバイアスと分散分析を行う。
  論文  参考訳（メタデータ） (2024-03-13T15:40:17Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)

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。