論文の概要: A tale of perfect fit and phantom optima: how data-driven models can fail in real-time optimization

• arxiv url: http://arxiv.org/abs/2608.23885v1
• Date: Mon, 24 Aug 2026 22:51:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.652548
• Title: A tale of perfect fit and phantom optima: how data-driven models can fail in real-time optimization
• Title（参考訳）: データ駆動モデルがリアルタイム最適化でいかに失敗するか
• Abstract要約: リアルタイム最適化(RTO)は、経済的に最適な運転条件を見つけるためのプロセスモデルに依存している。 現代の機械学習モデルは、過去の植物データに正確に適合し、しばしば標準的な検証テストに合格する。 このようなモデルが経済最適化に有効かどうかを考察する。
• 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: Real-time optimization (RTO) relies on process models to locate economically optimal operating conditions. Because developing first-principles models requires significant process knowledge, data-driven alternatives are increasingly attractive. Modern machine-learning models can fit historical plant data accurately and often pass standard validation tests. Whether such models can be trusted for economic optimization, however, remains unclear. We investigate this question using a vinyl acetate monomer benchmark process with a unique, well-conditioned economic optimum. We train a structured hybrid model that combines known mass balances and thermodynamics with a neural-network closure for unknown kinetics, and a fully data-driven neural ordinary differential equation (ODE) model. Both models reproduce plant measurements accurately and exhibit little variation in predictions across random initializations. Yet their economic optima differ substantially from that of the plant. Where the plant returns a single optimum on multistart search, the trained models return many phantom optima. We further show that the training optimizer alone can be yet another source of error. Even with noise-free data and initialization at weights that recover the plant optimum, stochastic gradient training can drift to weights that yield substantially worse RTO solutions. The identified model is thus an artifact of the training optimizer as well as the data. These results demonstrate that a good predictive fit of all available measurements does not guarantee reliable economic performance. A data-driven model for RTO should at least be required to recover the optimum on a decision-oriented benchmark like the one developed here before being considered for plant testing and application.
• Abstract（参考訳）: リアルタイム最適化(RTO)は、経済的に最適な運転条件を見つけるためのプロセスモデルに依存している。 第一原理モデルの開発には重要なプロセス知識が必要であるため、データ駆動の代替案はますます魅力的になっている。 現代の機械学習モデルは、過去の植物データに正確に適合し、しばしば標準的な検証テストに合格する。 しかし、そのようなモデルが経済最適化のために信頼できるかどうかは不明だ。 本稿では, ビニルアセテート単量体ベンチマークプロセスを用いて, ユニークな経済最適化手法を提案する。 我々は、既知の質量収支と熱力学を未知の運動量に対するニューラルネットワーク閉包と組み合わせた構造化ハイブリッドモデルと、完全にデータ駆動のニューラル常微分方程式(ODE)モデルを訓練する。 どちらのモデルも植物測定を正確に再現し、ランダムな初期化の予測にはほとんど変化がない。 しかし、彼らの経済的な最適性は植物のそれと大きく異なる。 植物がマルチスタートサーチにおいて1つの最適値を返す場合、訓練されたモデルは多くのファントムオプティマを返す。 さらに、トレーニングオプティマイザのみがエラーの原因となることも示しています。 雑音のないデータや、植物を最適に回復する重量の初期化であっても、確率的勾配トレーニングは、よりひどいRTO溶液をもたらす重量にドリフトすることができる。 識別されたモデルは、データだけでなく、トレーニングオプティマイザのアーティファクトである。 これらの結果は、利用可能なすべての測定値の良好な適合性は、信頼性の高い経済性能を保証するものではないことを証明している。 RTOのデータ駆動モデルは、少なくとも、植物テストやアプリケーションとして考慮される前に、ここで開発されたような、意思決定指向のベンチマークの最適性を回復するために必要である。

関連論文リスト

• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• Can Small Training Runs Reliably Guide Data Curation? Rethinking Proxy-Model Practice [109.9635246405237]
  データ品質に関する実験結果が、ハイパーパラメータのトレーニングに微調整を加えることで、反転できることを示す。 評価プロトコルに簡単なパッチを導入し、プロキシモデルのトレーニングに学習率を削減した。 実験により,データキュレーションの4つの重要な次元をカバーする23種類のデータレシピに対して,このアプローチを検証した。
  論文  参考訳（メタデータ） (2025-12-30T23:02:44Z)
• Golden Ratio Weighting Prevents Model Collapse [7.512957145774808]
  我々は、実データと合成データを統合するための最適なトレーニング戦略を開発する。 合成データの混合比と重み付け方式が最終モデルの性能に及ぼす影響を特徴付ける。 場合によっては、実データに割り当てられた最適な重みは、黄金比の逆数に対応する。
  論文  参考訳（メタデータ） (2025-02-25T10:15:16Z)
• Feasible Learning [78.6167929413604]
  本稿では,サンプル中心の学習パラダイムであるFeasible Learning(FL)を紹介する。 大規模言語モデルにおける画像分類, 年齢回帰, 好みの最適化といった経験的分析により, FLを用いて訓練したモデルでは, 平均的性能に限界があるものの, ERMと比較して改善された尾の挙動を示しながらデータから学習できることが実証された。
  論文  参考訳（メタデータ） (2025-01-24T20:39:38Z)
• Towards Stable Machine Learning Model Retraining via Slowly Varying Sequences [6.067007470552307]
  そこで本研究では,リトレーニングを繰り返して安定なモデル列を見つけるためのモデルに依存しないフレームワークを提案する。 最適モデルの復元が保証される混合整数最適化の定式化を開発する。 平均的に、予測力の2%の低下は、安定性の30%の改善につながることが判明した。
  論文  参考訳（メタデータ） (2024-03-28T22:45:38Z)
• Three-Stage Adjusted Regression Forecasting (TSARF) for Software Defect Prediction [5.826476252191368]
  非均一ポアソン過程 (NHPP) SRGM が最も一般的に用いられるモデルである。 モデル複雑性の増大は、堅牢で計算効率のよいアルゴリズムを識別する上での課題である。
  論文  参考訳（メタデータ） (2024-01-31T02:19:35Z)
• Functional Graphical Models: Structure Enables Offline Data-Driven Optimization [111.28605744661638]
  構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。 また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-08T22:33:14Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• Precision-Recall Divergence Optimization for Generative Modeling with GANs and Normalizing Flows [54.050498411883495]
  本研究では,ジェネレーティブ・アドバイサル・ネットワークや正規化フローなどの生成モデルのための新しいトレーニング手法を開発した。 指定された精度-リコールトレードオフを達成することは、textitPR-divergencesと呼ぶ家族からのユニークな$f$-divergenceを最小化することを意味する。 当社のアプローチは,ImageNetなどのデータセットでテストした場合の精度とリコールの両面で,BigGANのような既存の最先端モデルの性能を向上させる。
  論文  参考訳（メタデータ） (2023-05-30T10:07:17Z)
• Maintaining Stability and Plasticity for Predictive Churn Reduction [8.971668467496055]
  我々は,累積モデル組合せ (AMC) という解を提案する。 AMCは一般的な手法であり、モデルやデータ特性に応じてそれぞれ独自の利点を持ついくつかの事例を提案する。
  論文  参考訳（メタデータ） (2023-05-06T20:56:20Z)
• AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
  目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。 提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
  論文  参考訳（メタデータ） (2020-08-16T11:36:11Z)
• Forecasting Industrial Aging Processes with Machine Learning Methods [0.0]
  我々は、従来のステートレスモデルとより複雑なリカレントニューラルネットワークを比較して、幅広いデータ駆動モデルを評価する。 以上の結果から,リカレントモデルでは,より大きなデータセットでトレーニングした場合,ほぼ完璧な予測が得られた。
  論文  参考訳（メタデータ） (2020-02-05T13:06:44Z)

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。