Uncertainty quantification oriented active learning for surrogates of simulators with functional outputs - FAYOL / DEMO : Décision en Entreprise : Modélisation, Optimisation
Communication Dans Un Congrès Année : 2024

Uncertainty quantification oriented active learning for surrogates of simulators with functional outputs

Domaines

Modélisation et simulation Milieux fluides et réactifs Machine Learning [stat.ML]
Fichier principal
Vignette du fichier
onera-example.pdf (19.95 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
licence
Paternité

Le Riche Rodolphe  : Connectez-vous pour contacter le contributeur

https://hal.science/hal-04800967

Soumis le : dimanche 24 novembre 2024-21:12:33

Dernière modification le : vendredi 13 décembre 2024-12:00:36

Télécharger pour visualiser

Dates et versions

hal-04800967 , version 1 (24-11-2024)

Licence

Paternité

Identifiants

  • HAL Id : hal-04800967 , version 1

Citer

Lucas Brunel, Mathieu Balesdent, Loïc Brevault, Rodolphe Le Riche, Bruno Sudret. Uncertainty quantification oriented active learning for surrogates of simulators with functional outputs. 9th european congress on computational methods in applied sciences and engineering (ECCOMAS 2024), ECCOMAS, Jun 2024, Lisbonne, Portugal. ⟨hal-04800967⟩

Exporter

BibTeX XML-TEI Dublin Core DC Terms EndNote DataCite

Collections

EMSE PRES_CLERMONT ONERA CNRS FAYOL-ENSMSE LIMOS DEMO-ENSMSE TDS-MACS UNIV-PARIS-SACLAY GS-COMPUTER-SCIENCE CLERMONT-AUVERGNE-INP DTIS_ONERA INSTITUT-MINES-TELECOM
0 Consultations
0 Téléchargements

Partager

More