論文の概要: Hierarchical Bayesian physics-augmented neural networks for populations of hyperelastic laws: specimen variability and uncertainty from scarce, noisy data
- arxiv url: http://arxiv.org/abs/2611.17892v1
- Date: Fri, 13 Nov 2026 08:29:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.33794
- Title: Hierarchical Bayesian physics-augmented neural networks for populations of hyperelastic laws: specimen variability and uncertainty from scarce, noisy data
- Title(参考訳): 超弾性法則の集団に対する階層的ベイズ物理学強化ニューラルネットワーク--希少・雑音データからの標本の変動と不確実性-
- Abstract要約: 軟組織などの材料の超弾性則は標本間で異なり、しばしば少数の標本しか検査できない。
物理強化ニューラルネットワークは、所定の機能テストなしでデータから学習する。
しかし、プールされたフィットは、標本間の差異がノイズや不確実性に起因している。
- 参考スコア(独自算出の注目度): 0.8594140167290095
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The hyperelastic law of a material such as soft tissue differs between specimens, and often only a few specimens can be tested. Physics-augmented neural networks (PANNs) learn such laws from data without a prescribed functional form while keeping them physically admissible, and Bayesian versions of related models quantify the uncertainty of the law of one specimen or of a pooled group of specimens. A pooled fit, however, attributes the differences between specimens to measurement noise or to uncertainty about a mean law, and neither describes a new specimen. We first develop a Bayesian PANN for one specimen, whose priors keep the learned law plausible for few, noisy data. We then extend it to a hierarchical Bayesian PANN, a nonlinear mixed-effects model in which all specimens share learned polyconvex features and each specimen is a draw from a population of laws. Features, specimens, and population are inferred jointly by variational inference, with a separate model of the measurement noise, so that the variability between specimens is not mistaken for noise, the population carries its own uncertainty, and every specimen drawn from it is polyconvex. The population predicts the response of new specimens with credible intervals, without data or from a partial test, and assigns them to cohorts with quantified uncertainty, all without a prescribed form of the law. On synthetic populations, it recovers the population from few specimens and predicts new specimens more reliably than three published methods. On Treloar's rubber and on healthy and aneurysmal aortas, it reaches the accuracy of a deterministic PANN and assigns no aorta specimen to the wrong cohort with confidence, although it underestimates the uncertainty of untested curves.
- Abstract(参考訳): 軟組織などの材料の超弾性則は標本間で異なり、しばしば少数の標本しか検査できない。
物理拡張ニューラルネットワーク(PANN)は、物理的に許容可能なデータを維持しつつ、所定の機能形式を持たないデータからそのような法則を学習し、ベイズ版の関連するモデルは、1つの標本の法則またはプールされた標本群の不確実性を定量化する。
しかし、プールされたフィットは、標本間の差異は、ノイズの測定や平均法則の不確実性によるもので、新しい標本を記述していない。
1つの標本に対してベイズ式PANNを最初に開発し、その先行法則は、ほとんどノイズの多いデータに当てはまる。
このモデルでは、全ての標本が学習された多凸の特徴を共有し、各標本は法則の集団から引き出されたものである。
特徴, 標本, 個体群は, 測定ノイズの別モデルと共同して推定されるため, 標本間の変動がノイズと誤認されることはなく, 個体群は独自の不確実性を持ち, 得られた標本は多凸である。
人口は、データや部分的なテストなしに、信頼できる間隔で新しい標本の反応を予測し、これらを法則の所定の形式なしで、定量化された不確実性を持つコホートに割り当てる。
人工個体群では、少数の標本から個体群を回収し、新しい標本を3つの方法よりも確実に予測する。
トレロアのゴムと、健康大動脈瘤の大動脈では、決定論的PANNの精度に達し、未試験曲線の不確かさを過小評価しているが、間違ったコホートに大動脈標本を割り当てない。
関連論文リスト
- Two-Sample Testing via Path-based Inference [54.590623065123076]
2サンプルテストは、同じ分布が2つの有限データセットを生成するかどうかを決定する問題である。
補間子を用いて、両分布を共有ガウスボトルネックに接続する。
ゼロ仮説は、集団が、または同等に、2つのハーフの速度場が、任意のノイズレベルに一致する場合にのみ成立することを示す。
論文 参考訳(メタデータ) (2026-10-05T01:56:28Z) - CANN-EUCLID: unsupervised constitutive artificial neural network model discovery from full-field data [0.0]
構成的人工ニューラルネットワーク(CANN)は、解釈可能な物質モデル発見を提供する。
CANNは、これまで、均質なテストから明らかなストレス-ストレインデータに基づいて、ストレス誘発設定に使われてきた。
ここでは, 応力非教師付きフルフィールド発見フレームワークであるEUCLIDとCANNを組み合わせて, スパース超弾性法則を同定する。
論文 参考訳(メタデータ) (2026-06-12T15:44:06Z) - Hypothesis Testing over Observable Regimes in Singular Models [0.12183405753834557]
特異統計モデルにおけるテストの基本的な障害は特異性そのものではなく、同定不可能なパラメータ量に関する仮説の定式化であることを示す。
この重複障害を形式化し、不特定パラメータ関数に依存する仮説が必ずしもこの意味で失敗することを示す。
対照的に、帰納的分布によって決定される特定可能な可観測量の上に定式化された仮説は、古典的なテスト理論に完全に従う。
論文 参考訳(メタデータ) (2026-02-27T16:44:29Z) - Simultaneous inference for generalized linear models with unmeasured confounders [0.0]
本稿では,構造を利用して線形射影を3つの重要な段階に統合する,統一的な統計的推定と推測の枠組みを提案する。
サンプルおよび応答サイズとして$z$-testsの効果的なType-Iエラー制御が無限大に近づくことを示す。
論文 参考訳(メタデータ) (2023-09-13T18:53:11Z) - Variational Classification [51.2541371924591]
我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。
軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。
我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
論文 参考訳(メタデータ) (2023-05-17T17:47:19Z) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳(メタデータ) (2022-03-29T04:54:06Z) - Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。
分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。
本手法は精度と不確実性の両方を向上することを示す。
論文 参考訳(メタデータ) (2021-09-27T01:09:08Z) - Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。
標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。
原理的に部分観測可能なベイズ的枠組みを提案する。
論文 参考訳(メタデータ) (2020-09-12T20:37:33Z) - Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。
設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。
合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文 参考訳(メタデータ) (2020-06-08T07:01:38Z)
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。