論文の概要: Predictive Uncertainty for Neural CAE Surrogates

• arxiv url: http://arxiv.org/abs/2609.25430v1
• Date: Mon, 21 Sep 2026 21:31:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.120524
• Title: Predictive Uncertainty for Neural CAE Surrogates
• Title（参考訳）: ニューラルCAEサロゲートの予測不確かさ
• Abstract要約: 我々は、幾何条件のニューラルサロゲートに適応する際、確立された不確実量化アプローチがどのように振る舞うかを検討する。 1つの閉形式と2つのサンプリングベースアプローチ(ガウス法,コンクリートモンテカルロ法,深層アンサンブル法)を比較した。 予測不確かさが信頼できる大きさであるかどうかを検証し,予測誤差が大きい場所を特定し,未知の入力に応答し,派生工学量の情報化に留意する。
• 参考スコア（独自算出の注目度）: 0.2174820084855635
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural surrogates can substantially accelerate computer-aided engineering (CAE) workflows, but their use in design requires uncertainty estimates that remain meaningful across varying geometries, spatial prediction fields, and engineering quantities of interest. We investigate how established uncertainty quantification (UQ) approaches behave when adapted to geometry-conditioned neural surrogates. We compare one closed-form and two sampling-based approaches-a Gaussian process (GP)-based method, concrete Monte Carlo (MC) dropout, and deep ensembles-and evaluate them on three large, industry-relevant CAE datasets for external aerodynamics and crash dynamics. We examine whether predicted uncertainties have credible magnitudes, identify locations with larger prediction errors, respond to unfamiliar inputs, and remain informative for derived engineering quantities. On the DrivAerStar dataset, where all three methods are compared, each generally assigns higher uncertainty to locations with larger prediction errors, and validation-based rescaling brings interval coverage close to nominal on a disjoint in-distribution test set. Results on AirFRANS and automotive crash also show useful error ranking and interval estimates, but the relative performance of the methods changes with the dataset and evaluation criterion. UQ methods and evaluation metrics should therefore be selected based on the intended downstream CAE decision.
• Abstract（参考訳）: ニューラルサロゲートは、コンピュータ支援工学(CAE)ワークフローを著しく加速させるが、設計におけるそれらの使用には、様々な測地、空間予測場、興味のあるエンジニアリング量で意味のある不確実性推定が必要である。 我々は、幾何条件のニューラルサロゲートに適応する際、確立された不確実量化(UQ)アプローチがどのように振る舞うかを検討する。 我々は,1つの閉形式と2つのサンプリングベースアプローチ(ガウス法,コンクリートモンテカルロ法,深層アンサンブル法)を比較し,これらを外部空力およびクラッシュダイナミクスのための産業関連CAEデータセットで評価した。 予測不確かさが信頼できる大きさであるかどうかを検証し,予測誤差が大きい場所を特定し,未知の入力に応答し,派生工学量の情報化に留意する。 3つの方法を比較したDrivAerStarデータセットでは、それぞれが予測エラーが大きい場所に高い不確実性を割り当てており、検証ベースの再スケーリングは、不連続な分散テストセットにおいて、名目に近い間隔カバレッジをもたらす。 AirFRANSと自動車事故の結果は,誤差ランキングや間隔推定にも有用であるが,提案手法の相対的性能はデータセットや評価基準とともに変化する。 したがって、UQ手法と評価指標は、意図された下流CAE決定に基づいて選択されるべきである。

関連論文リスト

• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• Covariance-Boosted Gaussian Processes for Spatiotemporal Irregularities [0.0]
  本稿では,衛星ベースの拡張システムのための電離層モデリングにより,共分散ブーストガウス過程(CBGP)フレームワークを提案する。 CBGPモデルの有効性とロバスト性は、シミュレーションと実世界の両方のアプリケーションのサンプル外テストによって実証される。 南アメリカ上空の広範囲な電離圏嵐データセットのモデリングは、SBASの電離圏補正を計算する正確で信頼性の高い手段を示唆している。
  論文  参考訳（メタデータ） (2026-07-25T03:24:04Z)
• A Cubing Strategy for Identifying Stable Hyperparameter Regions for Uncertainty Quantification in Spatial Deep Learning [0.0]
  本稿では,モンテカルロの落差がよく校正された予測間隔を生じる安定領域を同定するキュベリングに基づく診断フレームワークを提案する。 提案手法は,ベースラインモデルと比較して,競合的あるいは優れた予測間隔を生じることを示す。
  論文  参考訳（メタデータ） (2026-05-15T19:18:39Z)
• CoCAI: Copula-based Conformal Anomaly Identification for Multivariate Time-Series [0.3495246564946556]
  本稿では、生成人工知能とコプラに基づくモデリングの力を利用して、正確な予測を行い、堅牢な異常検出を可能にする新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-23T14:15:31Z)
• Lightweight, Uncertainty-Aware Conformalized Visual Odometry [2.429910016019183]
  データ駆動型ビジュアルオドメトリー(VO)は、自律エッジロボティクスにとって重要なサブルーチンである。 昆虫スケールドローンや外科ロボットのような最先端ロボットデバイスは、VOの予測の不確実性を推定する計算的に効率的な枠組みを欠いている。 本稿では,共形推論(CI)を利用してVOの不確実な帯域を抽出する,新しい,軽量で統計的に堅牢なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-03T20:37:55Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• Entropy-based adaptive design for contour finding and estimating reliability [0.24466725954625884]
  信頼性解析において、故障確率を推定するために用いられる手法は、しばしばモデル評価に関連するコストによって制限される。 本稿では,MFISと組み合わせることで,より正確な故障確率推定を行うエントロピーに基づくGP適応設計を提案する。 ベンチマークデータに加え、NASA(NASA)宇宙服の衝撃損傷シミュレーターへの応用例も紹介されている。
  論文  参考訳（メタデータ） (2021-05-24T15:41:15Z)
• Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
  有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。 本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。 アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
  論文  参考訳（メタデータ） (2021-04-08T08:50:44Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。