Global Surrogate Modeling by Neural Network-Based Model Uncertainty - Publikacja - MOST Wiedzy

Wyszukiwarka

Global Surrogate Modeling by Neural Network-Based Model Uncertainty

Abstrakt

This work proposes a novel adaptive global surrogate modeling algorithm which uses two neural networks, one for prediction and the other for the model uncertainty. Specifically, the algorithm proceeds in cycles and adaptively enhances the neural network-based surrogate model by selecting the next sampling points guided by an auxiliary neural network approximation of the spatial error. The proposed algorithm is tested numerically on the one-dimensional Forrester function and the two-dimensional Branin function. The results demonstrate that global surrogate modeling using neural network-based function prediction can be guided efficiently and adaptively using a neural network approximation of the model uncertainty.

Cytowania

  • 0

    CrossRef

  • 0

    Web of Science

  • 0

    Scopus

Cytuj jako

Pełna treść

pełna treść publikacji nie jest dostępna w portalu

Słowa kluczowe

Informacje szczegółowe

Kategoria:
Aktywność konferencyjna
Typ:
publikacja w wydawnictwie zbiorowym recenzowanym (także w materiałach konferencyjnych)
Język:
angielski
Rok wydania:
2022
Opis bibliograficzny:
Leifsson L., Nagawkar J., Barnet L., Bryden K., Kozieł S., Pietrenko-Dąbrowska A.: Global Surrogate Modeling by Neural Network-Based Model Uncertainty// / : , 2022,
DOI:
Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.1007/978-3-031-08757-8_35
Źródła finansowania:
  • Publikacja bezkosztowa
Weryfikacja:
Politechnika Gdańska

wyświetlono 119 razy

Publikacje, które mogą cię zainteresować

Meta Tagi