Modeling and Analysis of Dynamic Computer Experiments
Notice bibliographique
Résumé
Dynamic computer experiments which refer to computer experiments with time series outputs have increasingly gained popularity in both science and engineering. Analysis of dynamic computer experiments through statistical emulators or surrogate models emerges as an important topic in statistical literature. This thesis is devoted to three research topics in modeling and analysis of dynamic computer experiments. We propose new methodologies for (a) efficient inference of Gaussian process models for large-scale dynamic computer experiments; (b) the inverse problem for small-scale dynamic computer experiments, that is, when a target response is available, we aim to estimate the inputs of the computer simulator that produce a response matching the target as closely as possible; (c) the inverse problem in large-scale dynamic computer experiments, which requires fitting the Gaussian process emulator efficiently given a large input data set to obtain the estimated solution to the inverse problem. For the large-scale dynamic computer experiments, we propose a local approximate singular value decomposition based Gaussian process (lasvdGP) model, which is shown to provide accurate and efficient emulation for the dynamic computer simulator. For the small-scale inverse problem, we introduce a sequential design approach which selects follow-up design points as per a proposed expected improvement criterion. The effectiveness of this approach is verified by both the theoretical study of convergence and the empirical study compared with existing alternative methods. For the inverse problem in large-scale dynamic computer experiments, we propose an approximate Bayesian inference algorithm using the proposed lasvdGP model. This approach gives promising results to address the computational challenge of the large input data set of the dynamic computer simulator.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».