Core Concepts
高コストの高忠実度データを活用し、予測モデルの分散を低減する新しいマルチフィデリティトレーニングアプローチを提案。
Abstract
機械学習方法が高コストなシミュレーションに代わる複雑なエンジニアリングシステムのサロゲートモデルを学習する可能性に注目。
マルチフィデリティトレーニングは、異なる忠実度とコストのデータを活用して、予測モデルの分散を低減し、信頼性を向上させる。
数値結果は理論解析を裏付け、限られた高忠実度データと追加の低忠実度データで訓練されたモデルが通常の訓練手法よりも優れた結果を示すことを示す。
マルチフィデリティトレーニングは、科学的および工学的システム向けに信頼性の高いMLサロゲートモデルを学習する課題に対処する。
1. 少数派クラスターへのアプローチ
MLサロゲートモデルは高コストなシミュレーションに代わる可能性がある。
マルチフィデリティトレーニングは、異なる忠実度とコストのデータから予測モデルの分散を低減し、信頼性向上へ。
2. 多クラスター間での比較
数値結果は理論解析を裏付け、限られた高忠実度および低忠実度で訓練されたモデルが通常手法よりも優れていること示す。
3. 統計情報抽出
Stats here
Stats
提案されたマルチフィデリティトレーニングアプローチは、異なる忠実度とコストの情報源/モデルから新しいマルチフィデリティMonte Carlo推定子を定義します。
この推定子は、既知パラメーターに対する新しいマルチフィデリティMonte Carlo推定子です。
この推定子は安全かつ小規模な訓練予算でもバイアスが少なく信頼性が向上します。