ترجمه فارسی مقاله نمودار مدل سازی چند وفاداری بیزی مبتنی بر لاپلاسی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Graph Laplacian-based Bayesian Multi-fidelity Modeling
عنوان مقاله به فارسی نمودار مدل سازی چند وفاداری بیزی مبتنی بر لاپلاسی
نویسندگان Orazio Pinti, Jeremy M. Budd, Franca Hoffmann, Assad A. Oberai
فرمت مقاله انگلیسی PDF
تعداد صفحات 32
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Computational Engineering, Finance, and Science,یادگیری ماشین , مهندسی محاسباتی , امور مالی و علوم ,
توضیحات Submitted 12 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 12 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

We present a novel probabilistic approach for generating multi-fidelity data while accounting for errors inherent in both low- and high-fidelity data. In this approach a graph Laplacian constructed from the low-fidelity data is used to define a multivariate Gaussian prior density for the coordinates of the true data points. In addition, few high-fidelity data points are used to construct a conjugate likelihood term. Thereafter, Bayes rule is applied to derive an explicit expression for the posterior density which is also multivariate Gaussian. The maximum \textit{a posteriori} (MAP) estimate of this density is selected to be the optimal multi-fidelity estimate. It is shown that the MAP estimate and the covariance of the posterior density can be determined through the solution of linear systems of equations. Thereafter, two methods, one based on spectral truncation and another based on a low-rank approximation, are developed to solve these equations efficiently. The multi-fidelity approach is tested on a variety of problems in solid and fluid mechanics with data that represents vectors of quantities of interest and discretized spatial fields in one and two dimensions. The results demonstrate that by utilizing a small fraction of high-fidelity data, the multi-fidelity approach can significantly improve the accuracy of a large collection of low-fidelity data points.

چکیده به فارسی (ترجمه ماشینی)

ما یک رویکرد احتمالی جدید برای تولید داده های چند وفاداری در حالی که خطاهای ذاتی در هر دو داده با وفاداری کم و بالا را حساب می کنیم ، ارائه می دهیم.در این روش از یک گرافیک لاپلاسی ساخته شده از داده های کم وفاداری برای تعریف چگالی قبلی گاوسی چند متغیره برای مختصات نقاط داده واقعی استفاده می شود.علاوه بر این ، از چند نقطه داده با وفاداری بالا برای ساخت یک اصطلاح احتمال کونژوگه استفاده می شود.پس از آن ، قانون بیز برای به دست آوردن یک بیان صریح برای چگالی خلفی که همچنین گاوسی چند متغیره است ، استفاده می شود.برآورد حداکثر \ textit {یک خلفی (MAP) از این چگالی به عنوان برآورد بهینه چند وفادار انتخاب شده است.نشان داده شده است که برآورد MAP و کواریانس چگالی خلفی را می توان از طریق محلول سیستم های خطی معادلات تعیین کرد.پس از آن ، دو روش ، یکی بر اساس کوتاه شدن طیفی و دیگری بر اساس تقریب رتبه پایین ، برای حل کارآمد این معادلات تهیه شده است.رویکرد چند وفاداری بر روی انواع مختلفی از مشکلات در مکانیک جامد و سیال با داده هایی که نمایانگر بردارهای مقادیر مورد علاقه و زمینه های فضایی گسسته شده در یک و دو بعد است ، آزمایش می شود.نتایج نشان می دهد که با استفاده از بخش کوچکی از داده های با وفاداری بالا ، رویکرد چند وفادار می تواند به طور قابل توجهی صحت یک مجموعه بزرگ از نقاط داده کم وفاداری را بهبود بخشد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.