| Title: |
Heterogeneous Bayesian transfer learning for complex ordinary differential equations |
| Authors: |
Abed, Youba; Costa, Victor; Celse, Benoit; Guillaume, Denis; Jacques, Julien |
| Contributors: |
IFP Energies nouvelles (IFPEN); Entrepôts, Représentation et Ingénierie des Connaissances (ERIC); Université Lumière - Lyon 2 (UL2)-Université Claude Bernard Lyon 1 (UCBL); Université de Lyon-Université de Lyon; Université Lumière - Lyon 2 (UL2); Société Française de Statistique |
| Source: |
56es Journées de Statistique; https://hal.science/hal-05033258; 56es Journées de Statistique, Société Française de Statistique, Jun 2025, Marseille, France |
| Publisher Information: |
CCSD |
| Publication Year: |
2025 |
| Collection: |
Portail HAL de l'Université Lumière Lyon 2 |
| Subject Terms: |
Heterogeneous Transfer Learning; Heterogeneous Bayesian Transfer Learning; Transfert Learning Hétérogène Bayésien; Transfert Learning Hétérogène; [STAT]Statistics [stat] |
| Subject Geographic: |
Marseille; France |
| Description: |
International audience ; The IFP group is a leader in research and training in the energy and environmental sector, particularly in the development and commercialization of catalysts. Building reliable predictive models for these catalysts requires costly experimental data. An initial Bayesian transfer approach helped to reduce modeling costs and development time by reusing existing data but assumed identical model structures. This article explores a heterogeneous Bayesian transfer learning method for models with different structures, demonstrating better performance than traditional non-transfer methods on simulated data. ; Le groupe IFP est un leader dans la recherche et la formation en énergie et environnement, notamment dans le d´développement et la commercialisation de catalyseurs. La création de modèles prédictifs fiables pour ces catalyseurs nécessite des données expérimentales coûteuses. Une première approche de transfert bayésien a permis de réduire les coûts et le temps de modélisation en réutilisant les données existantes, mais elle supposait des structures de modèles identiques. Cet article explore une m´méthode de transfert bayésien hétérogène pour des modèles de structures différentes, montrant des performances supérieures aux m´méthodes classiques sans transfert sur des données simulées. |
| Document Type: |
conference object |
| Language: |
English |
| Availability: |
https://hal.science/hal-05033258; https://hal.science/hal-05033258v1/document; https://hal.science/hal-05033258v1/file/JDS_2025_Paper.pdf |
| Rights: |
info:eu-repo/semantics/OpenAccess |
| Accession Number: |
edsbas.9532EE21 |
| Database: |
BASE |