論文の概要: A Bayesian latent Gaussian process framework for aerodynamic uncertainty quantification

• arxiv url: http://arxiv.org/abs/2606.28871v1
• Date: Sat, 27 Jun 2026 11:29:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.722184
• Title: A Bayesian latent Gaussian process framework for aerodynamic uncertainty quantification
• Title（参考訳）: 空力不確実性定量化のためのベイジアン潜在ガウス過程の枠組み
• Authors: Geoffrey Davis, Ashwin Renganathan,
• Abstract要約: 実験により,低忠実度計算予測のキャリブレーション方法を示す。 希薄な測定データを用いて, 希薄な低忠実度データから得られたサロゲートモデルを校正する。 本モデルでは,外挿入力設定を含む空力係数の不確かさを高精度に予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting the aerodynamic performance (e.g. lift, drag, and moment coefficients) of an aircraft is challenging -- computational models are biased and direct simulations are prohibitive. A pragmatic way to overcome this limitation is by calibrating low-fidelity computational predictions with experimental measurements. This, however, requires calibrating against \emph{sparse} measurements contaminated with \emph{uncertainty} in both the control inputs and the measured aerodynamic response. We develop a methodology to address this problem based on Gaussian process surrogates and the classical Kennedy-O'Hagan calibration. A surrogate model learned on abundant-but-cheap low-fidelity data is calibrated with a sparse set of measurement data. Crucialy, we develop a Bayesian latent Gaussian process based approach that marginalizes the calibrated surrogate model over the input uncertainty, while also matching the marginal mean and variance of the measured output uncertainty. Once calibrated, our surrogate model predicts the uncertainty in aerodynamic coefficients with very high accuracy, including at extrapolative input settings. We validate our calibrated surrogate model predictions against measurement data with \emph{true} uncertainty intervals to demonstrate that the model places $94.2-95.8\%$ of its predictive samples inside the released $95\%$ truth intervals, with endpoint cumulative probabilities very close to the nominal 0.025 and 0.975 levels.
• Abstract（参考訳）: 航空機の空力性能(例えば、リフト、ドラッグ、モーメント係数)を予測することは困難であり、計算モデルは偏りがあり、直接シミュレーションは禁じられている。 この制限を克服する実践的な方法は、実験的な測定で低忠実度計算予測を校正することである。 しかし、これは制御入力と測定された空気力学的応答の両方において、 \emph{sparse} の測定を \emph{uncertainty} で汚染するのに対して校正する必要がある。 我々は、ガウス過程のサロゲートと古典的なケネディ・オハガン校正に基づいて、この問題に対処する方法論を開発する。 希薄な測定データを用いて, 希薄な低忠実度データから得られたサロゲートモデルを校正する。 極端に、ベイズ的潜在ガウス過程に基づくアプローチを開発し、測定された出力不確実性の限界平均と分散とを一致させながら、キャリブレーションされたサロゲートモデルを入力不確実性に対してマーシャリゼーションする。 キャリブレーションが完了すると、サロゲートモデルは、外挿入力設定を含む非常に高精度な空力係数の不確かさを予測する。 本研究では, 実測データに対して<emph{true}不確かさ間隔で補正したサロゲートモデル予測を検証し, 95\%の真理区間内での予測サンプルの94.2-95.8\%が, 極端累積確率は 0.025 と0.975 の値に非常に近い値であることを示す。

関連論文リスト

• Enhancing accuracy of uncertainty estimation in appearance-based gaze tracking with probabilistic evaluation and calibration [13.564919425738163]
  外見に基づく視線追跡の不確実性は、信頼性の高い下流アプリケーションを保証するために重要である。 現在の不確実性認識アプローチでは、トレーニングデータセット内の分布に従って不確実性を取得する確率論的モデルを採用している。 トレーニングされたモデルの不確かさを推定する際のバイアスを軽減するために,確率校正に基づく補正戦略を提案する。
  論文  参考訳（メタデータ） (2025-01-24T19:33:55Z)
• Instant Uncertainty Calibration of NeRFs Using a Meta-calibrator [60.47106421809998]
  我々は,1つの前方パスを持つNeRFに対して不確実な校正を行うメタ校正器の概念を導入する。 メタキャリブレータは、見えないシーンを一般化し、NeRFの良好な校正と最先端の不確実性を実現できることを示す。
  論文  参考訳（メタデータ） (2023-12-04T21:29:31Z)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• 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)
• Confidence Calibration for Intent Detection via Hyperspherical Space and Rebalanced Accuracy-Uncertainty Loss [17.26964140836123]
  一部のシナリオでは、ユーザは正確さだけでなく、モデルの信頼性も気にします。 本稿では,超球面空間と精度・不確かさ損失の再バランスを用いたモデルを提案する。 本モデルでは,既存の校正手法より優れ,校正基準の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2022-03-17T12:01:33Z)
• Theoretical characterization of uncertainty in high-dimensional linear classification [24.073221004661427]
  本研究では,高次元入力データとラベルの限られたサンプル数から学習する不確実性が,近似メッセージパッシングアルゴリズムによって得られることを示す。 我々は,信頼度を適切に正則化することで緩和する方法について論じるとともに,損失に対するクロスバリデーションが0/1誤差よりもキャリブレーションが優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-07T15:32:07Z)
• Unsupervised Calibration under Covariate Shift [92.02278658443166]
  ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。 実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
  論文  参考訳（メタデータ） (2020-06-29T21:50:07Z)

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。