Modeling and Analysis of Dynamic Computer Experiments
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Dynamic computer experiments which refer to computer experiments with \ntime series outputs have increasingly gained popularity in both \nscience and engineering. Analysis of dynamic computer experiments \nthrough statistical emulators or surrogate models emerges as an \nimportant topic in statistical literature. This thesis is devoted to \nthree research topics in modeling and analysis of dynamic computer \nexperiments. We propose new methodologies for (a) efficient inference \nof Gaussian process models for large-scale dynamic computer \nexperiments; (b) the inverse problem for small-scale dynamic computer \nexperiments, that is, when a target response is available, we aim to \nestimate the inputs of the computer simulator that produce a response \nmatching the target as closely as possible; (c) the inverse problem in \nlarge-scale dynamic computer experiments, which requires fitting the \nGaussian process emulator efficiently given a large input data set to \nobtain the estimated solution to the inverse problem. \n \nFor the large-scale dynamic computer experiments, we propose a local \napproximate singular value decomposition based Gaussian process \n(lasvdGP) model, which is shown to provide accurate and efficient \nemulation for the dynamic computer simulator. For the small-scale \ninverse problem, we introduce a sequential design approach which \nselects follow-up design points as per a proposed expected improvement \ncriterion. The effectiveness of this approach is verified by both the \ntheoretical study of convergence and the empirical study compared with \nexisting alternative methods. For the inverse problem in large-scale \ndynamic computer experiments, we propose an approximate Bayesian \ninference algorithm using the proposed lasvdGP model. This approach \ngives promising results to address the computational challenge of the \nlarge 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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle