| Title: |
Design of Experiment for Bayesian transferred model |
| Authors: |
Iapteff, Loïc; Jacques, Julien; Celse, Benoit; Lameiras Franco da Costa, Victor |
| Contributors: |
Entrepôts, Représentation et Ingénierie des Connaissances (ERIC); Université Lumière - Lyon 2 (UL2)-Université Claude Bernard Lyon 1 (UCBL); Université de Lyon-Université de Lyon; IFP Energies nouvelles (IFPEN) |
| Source: |
53èmes Journées de Statistique de la Société Française de Statistique (SFdS); https://hal.science/hal-03671090; 53èmes Journées de Statistique de la Société Française de Statistique (SFdS), Jun 2022, Lyon, France |
| Publisher Information: |
CCSD |
| Publication Year: |
2022 |
| Collection: |
Portail HAL de l'Université Lumière Lyon 2 |
| Subject Terms: |
Plan d'expérience; Transfer learning; Inférence bayésienne; [STAT]Statistics [stat] |
| Subject Geographic: |
Lyon; France |
| Description: |
International audience ; 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.Previous work has shown that a Bayesian transfer approach can improve the quality of models when the number of observations is reduced. In this paper, experimental designs are studied in order to determine how to select this reduced number of observations to obtain the best models by Bayesian transfer. This article shows that the Kennard and Stone algorithm can, under certain conditions, offer better results than optimal designs. ; 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 nouveautype de catalyseur. De précédents travaux ont montré qu’une approche de transfert Bayésien permettait d’améliorer la qualité des modèles lorsque le nombre d’observations est réduit. Dans cet article, les plans d’expériences sont étudiés afin de déterminer comment sélectionner ce nombre réduit d’observations permettant d’obtenir les meilleurs modèles par transfert Bayésien. Cet article montre que l’algorithme Kennard and Stonepeut, sous certaines conditions, offrir de meilleurs résultats que des plans optimaux. |
| Document Type: |
conference object |
| Language: |
English |
| Availability: |
https://hal.science/hal-03671090; https://hal.science/hal-03671090v1/document; https://hal.science/hal-03671090v1/file/sfds2022_iapteff.pdf |
| Rights: |
info:eu-repo/semantics/OpenAccess |
| Accession Number: |
edsbas.A7C5A654 |
| Database: |
BASE |