Distance Preserving Machine Learning for Uncertainty Aware Accelerator Capacitance Predictions

要約

正確な不確実性の推定を提供することは、特に加速器システムなどの安全性が重要なアプリケーションにおいて、信頼性の高い機械学習モデルを作成するために不可欠です。
ガウス過程モデルは一般に、このタスクのゴールドスタンダード手法とみなされていますが、大規模で高次元のデータセットでは困難になる可能性があります。
ディープ ニューラル ネットワークとガウス プロセス近似技術を組み合わせると、有望な結果が示されていますが、標準のディープ ニューラル ネットワーク層による次元削減では、ガウス プロセス モデルに必要な距離情報が維持されることが保証されません。
私たちは、ディープ ニューラル ガウス プロセス近似モデルの特徴抽出器としてスペクトル正規化された緻密層に対する特異値分解の使用を比較することで以前の研究を構築し、それをオークの高電圧コンバータ変調器の静電容量予測問題に適用します。
リッジ破砕中性子源。
私たちのモデルは距離保存の改善を示し、1% 未満の誤差で配電内静電容量値を予測します。

要約(オリジナル)

Providing accurate uncertainty estimations is essential for producing reliable machine learning models, especially in safety-critical applications such as accelerator systems. Gaussian process models are generally regarded as the gold standard method for this task, but they can struggle with large, high-dimensional datasets. Combining deep neural networks with Gaussian process approximation techniques have shown promising results, but dimensionality reduction through standard deep neural network layers is not guaranteed to maintain the distance information necessary for Gaussian process models. We build on previous work by comparing the use of the singular value decomposition against a spectral-normalized dense layer as a feature extractor for a deep neural Gaussian process approximation model and apply it to a capacitance prediction problem for the High Voltage Converter Modulators in the Oak Ridge Spallation Neutron Source. Our model shows improved distance preservation and predicts in-distribution capacitance values with less than 1% error.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google