文献

J-GLOBAL ID：202002272336439791   整理番号：20A0762430

重要度サンプリング推定量のための低次元モデルと生成モデルの結合【JST・京大機械翻訳】

Coupling the reduced-order model and the generative model for an importance sampling estimator

著者 (2件)： Wan Xiaoliang (Department of Mathematics and Center for Computation and Technology, Louisiana State University, Baton Rouge 70803, United States of America) ,  Wei Shuangqing (Division of Electrical&Computer Engineering, Louisiana State University, Baton Rouge 70803, United States of America)
資料名： Journal of Computational Physics  (Journal of Computational Physics)
巻： 408  ページ： Null  発行年： 2020年 
JST資料番号： B0860A  ISSN： 0021-9991  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 本研究では,不確実性定量化の問題設定における減次モデルと生成モデルを結合することにより,重要なサンプリング推定器を開発した。目標は,複雑なシステムにおける関心の量(QoI)が与えられた閾値を超えている確率を推定することである。大規模システムのサンプリングの禁止コストを避けるために,低次モデルは通常,効率と精度の間のトレードオフに対して考慮される。しかしながら,低次元化モデルによって与えられたモンテカルロ推定量は,次元縮小からの誤差のためにバイアスされる。バイアスを補正するために,著者らはまだ微細モデルをサンプルする必要がある。分散低減を低減するための有効な技術は重要なサンプリングであり,そこでは,縮小次数モデルからのデータの分布を推定するために生成モデルを用い,重要度サンプリング推定器における測度の変化に対してそれを使用する。縮小次数モデルの近似誤差を補償するために,閾値よりわずかに小さいQoIを誘導するより多くのデータを訓練集合に含める必要がある。これらのデータの量は事後誤差推定によって制御できるが,有効データを上回る可能性のある冗長データは,認識不確実性のために維持される。この問題を扱うために,縮小次数モデルからデータを処理するための重み付き経験的分布を導入した。次に,生成モデルを,それと加重経験分布の間の交差エントロピーを最小化することによって訓練した。また,よりロバスト性のためのオーバーフィッティングを扱うために,目的関数にペナルティ項を導入した。数値結果を提示し,提案した方法の有効性を実証した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 次元縮小 ,  バイアス ,  有効性 ,  不確実性 ,  近似法 ,  目的関数 ,  ロバスト性 ,  大規模系 ,  エントロピー ,  モンテカルロ法 ,  機械学習 ,  *推定量 ,  ペナルティ ,  測度
準シソーラス用語： *重要度サンプリング , 【Automatic Indexing@JST】

著者キーワード (5件)： 不確実性定量化 ,  重要性サンプリング ,  低次元モデリング ,  生成モデル ,  機械学習

分類 (1件)： 数値計算  (JE02000J)

タイトルに関連する用語 (5件)： 重要度サンプリング ,  推定量 ,  低次元 ,  モデル ,  生成モデル