Simulace více věrnosti - Multifidelity simulation

Metody simulace více věrností
Mutlifid.jpg
Metody simulace více věrnosti pro přepravu[1]
Třída
Datová strukturaÚdaje s nízkou a vysokou věrností
Nejhorší případ výkonNení definovaný
Nejhorší případ složitost prostoruNení definovaný

Metody vícejazyčnosti využívejte jak údaje s nízkou, tak s vysokou věrností, abyste maximalizovali přesnost modelu odhady, při minimalizaci nákladů spojených s parametrizace. Byly úspěšně použity v optimalizace designu křídla[2], robotické učení[3], a v poslední době byly rozšířeny na člověk ve smyčce systémy, jako např letecký a kosmický průmysl[4] a přeprava.[5] Zahrnují obě metody založené na modelu, kde a generativní model je k dispozici nebo může být naučil se, kromě metod bez modelu, které zahrnují regresní přístupy, jako je skládaná regrese.[4] Použitý přístup závisí na doméně a vlastnostech dostupných dat a je podobný konceptu metasyntéza, navrhl Judea Pearl.[6]

Spektrum věrnosti dat

Obrázek zobrazující spektrum věrnosti dat
Příklad spektra věrnosti dat s výhodami a omezeními.[1]

The věrnost dat se může pohybovat ve spektru mezi nízkou a vysokou věrností. Následující části poskytují příklady dat napříč věrným spektrem a definují výhody a omezení každého typu dat.

Nízko věrná data (LoFi)

Nízko věrná data (LoFi) zahrnuje veškerá data, která vytvořila osoba nebo Stochastický proces který se odchyluje od systému zájmu v reálném světě. Například data LoFi mohou být vytvářena modely a fyzický systém toto použití aproximace namísto vyčerpávajícího modelování systému simulovat systém.[2]

Navíc v člověk ve smyčce (HITL) situací, jejichž cílem může být predikce dopadu technologie na chování odborníků v reálném světě provozní kontext. Strojové učení lze zvyknout vlak statistické modely, které předpovídají chování odborníků, za předpokladu, že je k dispozici nebo může být vytvořeno přiměřené množství vysoce věrných (tj. reálných) dat.[4]

Výhody a omezení LoFi

V situacích, kdy není k dispozici dostatečné množství věrných dat vlak model, někdy lze použít data s nízkou věrností. Například data s nízkou věrností lze získat pomocí a distribuováno simulace platforma, jako je X-Plane, a vyžadovat, aby začínající účastníci pracovali ve scénářích, které jsou aproximacemi kontextu reálného světa. Výhodou použití dat s nízkou věrností je, že jejich získání je relativně levné, takže je možné získat větší množství dat. Omezení však spočívá v tom, že údaje s nízkou věrností nemusí být užitečné pro predikci výkonu odborníků v reálném světě (tj. Vysoce věrných) kvůli rozdílům mezi simulační platformou s nízkou věrností a kontextem v reálném světě nebo mezi nováčkem odborný výkon (např. kvůli školení).[4][5]

Vysoce věrná data (HiFi)

Vysoce věrná data (HiFi) zahrnuje data, která vytvořila osoba nebo Stochastický proces který úzce odpovídá operačnímu kontextu zájmu. Například v optimalizace designu křídla používá vysoce věrná data fyzické modely v simulace které produkují výsledky, které se v podobném reálném prostředí velmi podobají křídlu.[2] V situacích HITL by data HiFi byla získána od provozního experta působícího v technologickém a situačním kontextu zájmu.[5]

Výhody a omezení HiFi

Zjevnou výhodou využití vysoce věrných dat je to, že by odhady vytvořené modelem měly zevšeobecnit v kontextu skutečného světa. Tato data jsou však časově i finančně nákladná, což omezuje množství údajů, které lze získat. Omezené množství dostupných údajů může významně narušit schopnost modelu vytvářet platné odhady.[4]

Metody vícejazyčnosti (MfM)

Metody vícejazyčnosti se pokoušejí využít silné stránky každého zdroje dat a překonat omezení. Přestože malé a střední rozdíly mezi údaji s nízkou a vysokou věrností lze někdy překonat pomocí modelů s vysokou věrností, velké rozdíly (např. KL divergence mezi nováčkem a odborníkem distribuce akcí ) může být problematické, což vede ke snížení prediktivní výkon ve srovnání s modely, které se výhradně spoléhaly na vysoce věrná data.[4]

Modely s více věrnostmi umožňují sbírat údaje s nízkou věrností na různých technologických konceptech k vyhodnocení riziko spojené s každým konceptem dříve nasazení systém.[7]

Reference

  1. ^ A b Erik J. Schlicht (2017). „SAMSI Summer Program on Transportation Statistics: Erik Schlicht, 15. srpna 2017“. Využití metod věrnosti k odhadu rizika spojeného s přepravními systémy.
  2. ^ A b C Robinson, T.D .; et al. (2006). „Multifidelity Optimization for Variable-Complexity Design“. 11. konference o multidisciplinární analýze a optimalizaci AIAA / ISSMO: 1–18.
  3. ^ Cutler, M .; et al. (2015). „Posilování reálného světa pomocí simulátorů více věrnosti“. Transakce IEEE na robotice: 655–671.
  4. ^ A b C d E F Schlicht, Erik (2014). "Předpovídání chování interagujících lidí fúzí dat z více zdrojů". arXiv:1408.2053 [cs.AI ].
  5. ^ A b C Schlicht, Erik J; Morris, Nichole L (2017). "Odhad rizika spojeného s dopravní technologií pomocí simulace více věrností". arXiv:1701.08588 [stat.AP ].
  6. ^ Judea Pearl (2012). „The Dělat-Calculus Revisited ". Sborník příspěvků z dvacáté osmé konference o nejistotě v umělé inteligenci (PDF). Corvallis, OR: AUAI Press. s. 4–11.
  7. ^ Reshama Shaikh a Erik J. Schlicht (2017). „Konference o strojovém učení s Dr. Schlichtem“. Rozhovor týkající se použití metod simulace více věrnosti.