論文の概要: Error bounds for PDE-regularized learning
- arxiv url: http://arxiv.org/abs/2003.06524v1
- Date: Sat, 14 Mar 2020 00:51:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 20:38:07.112880
- Title: Error bounds for PDE-regularized learning
- Title(参考訳): PDE正規化学習における誤差境界
- Authors: Carsten Gr\"aser and Prem Anand Alathur Srinivasan
- Abstract要約: 偏微分方程式(PDE)による教師付き学習問題の正規化について考察する。
得られた近似の誤差境界を PDE 誤差項とデータ誤差項で導出する。
- 参考スコア(独自算出の注目度): 0.6445605125467573
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work we consider the regularization of a supervised learning problem
by partial differential equations (PDEs) and derive error bounds for the
obtained approximation in terms of a PDE error term and a data error term.
Assuming that the target function satisfies an unknown PDE, the PDE error term
quantifies how well this PDE is approximated by the auxiliary PDE used for
regularization. It is shown that this error term decreases if more data is
provided. The data error term quantifies the accuracy of the given data.
Furthermore, the PDE-regularized learning problem is discretized by generalized
Galerkin discretizations solving the associated minimization problem in subsets
of the infinite dimensional functions space, which are not necessarily
subspaces. For such discretizations an error bound in terms of the PDE error,
the data error, and a best approximation error is derived.
- Abstract(参考訳): 本研究では,偏微分方程式(pdes)による教師付き学習問題の正則化と,得られた近似に対する誤差境界を,pde誤差項とデータ誤差項を用いて導出する。
対象関数が未知のPDEを満たすと仮定すると、PDE誤差項は正規化に使用される補助PDEによってこのPDEがどの程度うまく近似されるかを定量化する。
この誤差項は、より多くのデータが提供されると減少する。
データエラー項は、与えられたデータの精度を定量化する。
さらに、pde正規化学習問題は、必ずしも部分空間ではない無限次元関数空間の部分集合における関連する最小化問題を解く一般化されたガレルキン離散化によって離散化される。
このような離散化のために、PDEエラー、データエラー、および最良の近似誤差の観点から有界な誤差を導出する。
関連論文リスト
- Data-Driven Discovery of PDEs via the Adjoint Method [4.511923587827301]
本稿では、与えられたデータに基づいて、基礎となる支配的偏微分方程式(PDE)を発見する方法を提案する。
特に、パラメータ化された非線形PDEの族に対して、対応する随伴方程式を導出する方法を示す。
随伴法の精度は、PDE-FINDとして知られる有名なPDE関数同定法に匹敵する。
論文 参考訳(メタデータ) (2024-01-30T17:10:42Z) - Deep Equilibrium Based Neural Operators for Steady-State PDEs [100.88355782126098]
定常PDEに対する重み付けニューラルネットワークアーキテクチャの利点について検討する。
定常PDEの解を直接解くFNOアーキテクチャの深い平衡変種であるFNO-DEQを提案する。
論文 参考訳(メタデータ) (2023-11-30T22:34:57Z) - Weak-PDE-LEARN: A Weak Form Based Approach to Discovering PDEs From
Noisy, Limited Data [0.0]
Weak-PDE-LEARNは,非線形PDEを雑音から同定し,その解を限定的に測定する探索アルゴリズムである。
いくつかのベンチマークPDEを学習し,Weak-PDE-LEARNの有効性を示す。
論文 参考訳(メタデータ) (2023-09-09T06:45:15Z) - Error Analysis of Kernel/GP Methods for Nonlinear and Parametric PDEs [16.089904161628258]
非線形およびおそらくパラメトリックなPDEの解に対する事前ソボレフ空間誤差推定を導入する。
この証明は、カーネル補間子に対するソボレフ標準誤差推定について記述する。
誤差推定は、PDEの解空間が十分に滑らかであれば、次元差収束率を示す。
論文 参考訳(メタデータ) (2023-05-08T18:00:33Z) - Neural Control of Parametric Solutions for High-dimensional Evolution
PDEs [6.649496716171139]
我々は進化偏微分方程式(PDE)の解演算子を近似する新しい計算フレームワークを開発する。
パラメータ空間における制御ベクトル場を学習することにより,PDEの解演算子を近似する。
これにより計算コストを大幅に削減し、任意の初期条件で進化PDEを解くことができる。
論文 参考訳(メタデータ) (2023-01-31T19:26:25Z) - Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。
数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。
LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
論文 参考訳(メタデータ) (2023-01-30T04:58:40Z) - A PDE approach for regret bounds under partial monitoring [8.277466108000203]
予測器が部分的な情報を観測する学習問題について検討する。
本研究では, 適切なスムーズなサブ/スーパーサーボ解を求めることで, 後悔境界と効率的なアルゴリズムを得るという課題に取り組むことができることを示す。
論文 参考訳(メタデータ) (2022-09-02T20:04:30Z) - Learning differentiable solvers for systems with hard constraints [48.54197776363251]
ニューラルネットワーク(NN)によって定義される関数に対する偏微分方程式(PDE)制約を強制する実践的手法を提案する。
我々は、任意のNNアーキテクチャに組み込むことができる微分可能なPDE制約層を開発した。
その結果、NNアーキテクチャに直接ハード制約を組み込むことで、制約のない目的のトレーニングに比べてテストエラーがはるかに少ないことがわかった。
論文 参考訳(メタデータ) (2022-07-18T15:11:43Z) - Lie Point Symmetry Data Augmentation for Neural PDE Solvers [69.72427135610106]
本稿では,ニューラルPDEソルバサンプルの複雑性を改善することにより,この問題を部分的に緩和する手法を提案する。
PDEの文脈では、データ変換の完全なリストを定量的に導き出せることが分かりました。
神経性PDEソルバサンプルの複雑さを桁違いに改善するために、どのように容易に展開できるかを示す。
論文 参考訳(メタデータ) (2022-02-15T18:43:17Z) - Physics-Informed Neural Operator for Learning Partial Differential
Equations [55.406540167010014]
PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。
結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
論文 参考訳(メタデータ) (2021-11-06T03:41:34Z) - Optimal oracle inequalities for solving projected fixed-point equations [53.31620399640334]
ヒルベルト空間の既知の低次元部分空間を探索することにより、確率観測の集合を用いて近似解を計算する手法を検討する。
本稿では,線形関数近似を用いた政策評価問題に対する時間差分学習手法の誤差を正確に評価する方法について述べる。
論文 参考訳(メタデータ) (2020-12-09T20:19:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。