MARC

 008250123s2024        us                              c    eng  d
■001000017162793
■00520250211152055
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382739007
■035    ▼a(MiAaPQ)AAI31348909
■035    ▼a(MiAaPQ)umichrackham005424
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a510
■1001  ▼aHauth,  Jeremiah  M.  A.
■24510▼aAdvances  in  Intuitive  Priors  and  Scalable  Algorithms  for  Bayesian  Deep  Neural  Network  Models  in  Scientific  Applications
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a145  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Huan,  Xun.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2024.
■520    ▼aIn  recent  years,  deep  learning  (DL)  algorithms  have  gained  widespread  use  in  scientific  and  engineering  fields,  promising  insights  into  complex  trends  within  extensive  datasets.  However,  these  models  typically  lack  transparency  and  interpretability  and  the  quantification  of  uncertainty  in  DL  models,  especially  related  to  the  understanding  derived  from  the  quality  and  quantity  of  training  data,  remains  an  underexplored  research  area.  This  dissertation  addresses  this  gap  by  advancing  Bayesian  uncertainty  quantification  (UQ)  methods  in  large-scale  deep  neural  networks  (DNNs),  specifically  constructing  Bayesian  neural  networks  (BNNs).    This  dissertation  proposes  two  methodological  improvements  to  BNNs:  the  first  is  a  parameter  subselection  procedure  that  leverages  gradient  based  sensitivity  analysis  to  select  only  the  most  impactful  DL  parameters  for  Bayesian  inference;  the  second  contribution  is  a  prior  selection  methodology  that  weighs  both  expert  knowledge  of  the  predictive  space  alongside  as  well  as  desirable  regularizing  effects  in  the  weight  space.    This  dissertation  goes  on  to  implement  Bayesian  neural  networks  and  these  novel  methodologies  in  four  unique  scientific  machine  learning  case  studies,  two  related  to  physics  simulations  and  two  related  to  real-world  health  data.  These  case  studies  include:  a  novel  framework  for  remotely  detecting  ice  accumulation  on  helicopter  rotor  blades  and  assessing  flight  performance  degradation;  an  investigation  on  the  temporal  evolution  of  uncertainty  in  Bayesian  graph  convolutional  neural  networks  when  predicting  stress  response  in  polycrystalline  materials;  an  investigation  of  the  uncertainty  in  the  state-of-the-art  U-NET  model  for  brain  tumor  segmentation;  and  a  novel  framework  for  automatically  assessing  physical  therapy  patient  performance  on  balance  training  exercises,  along  with  preliminary  approaches  for  future  exercise  recommendation.    By  drawing  new  insights  into  model  uncertainty  across  diverse  science  and  engineering  applications,  this  research  aims  to  provide  greater  understanding  of  uncertainty  in  Bayesian  neural  networks,  to  help  mitigate  the  consequences  of  model  overconfidence,  and  to  provide  critical  metrics  for  decision-making  and  data  collection.
■590    ▼aSchool  code:  0127.
■650  4▼aMathematics
■650  4▼aMechanical  engineering
■653    ▼aUncertainty  quantification
■653    ▼aBayesian  neural  networks
■653    ▼aScientific  machine  learning
■653    ▼aScalable  Bayesian  inference
■653    ▼aDeep  neural  networks
■690    ▼a0548
■690    ▼a0405
■690    ▼a0800
■71020▼aUniversity  of  Michigan▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162793▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서