Bayesian inference for transfer learning - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2020

Bayesian inference for transfer learning

Résumé

IFP group develops catalysts and has to guarantee their performances. It is therefore crucial to have good predictive models for all new catalysts. These models are built upon very expensive experimental data. In order to minimize costs, we aim at reducing the number of new data points to measure to fit a model on the new catalyst, that is by using the knowledge available in the previous model. This paper describes our work on linear model transfer using Bayesian inference.
Le groupe IFP commercialise des catalyseurs et doit s’engager sur leur performance. Il est donc nécessaire de disposer de modèles prédictifs fiables pour chaque nouvelle génération de catalyseurs. Ces modèles sont construits à partir de données expérimentales très couteuses. Afin d’optimiser les coûts, notre ambition est de réduire le nombre d’expérimentations nécessaires pour estimer un modèle associé à un nouveau type de catalyseur, en transférant l’information contenue dans les modèles d’anciennes générations. Cet article décrit nos travaux sur le transfert de modèle linéaire par inférence bayésienne.
Fichier principal
Vignette du fichier
sfds2020.pdf (363.8 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03561440 , version 1 (08-02-2022)

Identifiants

  • HAL Id : hal-03561440 , version 1

Citer

Loïc Iapteff, Julien Jacques, Matthieu Rolland, Benoit Celse. Bayesian inference for transfer learning. 52èmes Journées de Statistique de la Société Française de Statistique (SFdS), May 2020, Nice, France. pp.460-465. ⟨hal-03561440⟩
65 Consultations
27 Téléchargements

Partager

Gmail Facebook X LinkedIn More