Bayesian Surrogate Training on Multiple Data Sources: A Hybrid Modeling Strategy

要約

サロゲート モデルは、複雑なシミュレーション モデルに対する計算効率の高い近似としてよく使用され、逆問題の解決、感度分析、確率的前方予測などの、計算上不可能なタスクを可能にします。
トレーニング中に、サロゲートがシミュレーション モデルの出力をできるだけ正確に再現するように、サロゲート パラメーターが適合されます。
ただし、シミュレーション モデル自体は現実世界のシステムを単純化したものにすぎず、多くの場合、関連するプロセスが欠落していたり​​、入力や境界条件などで仕様の誤りが発生したりします。
これらに関するヒントは、現実世界の測定データにキャプチャされる可能性がありますが、通常、サロゲートの構築中にそれらのヒントは無視されます。
この論文では、サロゲート トレーニング中にシミュレーション データと実世界の測定データを統合するための 2 つの新しい確率的アプローチを提案します。
1 つ目の方法では、データ ソースごとに個別のサロゲート モデルをトレーニングし、その予測分布を結合します。2 つ目の方法では、単一のサロゲートをトレーニングすることで両方のデータ ソースを組み込みます。
総合的なケーススタディと実際のケーススタディの両方を通じて、2 つのアプローチの概念的な違いと利点を示します。
この結果は、これらの手法が予測精度、予測範囲を向上させ、基礎となるシミュレーション モデルの問題を診断できる可能性を示しています。
これらの洞察により、システムの理解と将来のモデル開発が向上します。

要約(オリジナル)

Surrogate models are often used as computationally efficient approximations to complex simulation models, enabling tasks such as solving inverse problems, sensitivity analysis, and probabilistic forward predictions, which would otherwise be computationally infeasible. During training, surrogate parameters are fitted such that the surrogate reproduces the simulation model’s outputs as closely as possible. However, the simulation model itself is merely a simplification of the real-world system, often missing relevant processes or suffering from misspecifications e.g., in inputs or boundary conditions. Hints about these might be captured in real-world measurement data, and yet, we typically ignore those hints during surrogate building. In this paper, we propose two novel probabilistic approaches to integrate simulation data and real-world measurement data during surrogate training. The first method trains separate surrogate models for each data source and combines their predictive distributions, while the second incorporates both data sources by training a single surrogate. We show the conceptual differences and benefits of the two approaches through both synthetic and real-world case studies. The results demonstrate the potential of these methods to improve predictive accuracy, predictive coverage, and to diagnose problems in the underlying simulation model. These insights can improve system understanding and future model development.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google