論文の概要: The data-driven physical-based equations discovery using evolutionary approach

• arxiv url: http://arxiv.org/abs/2004.01680v1
• Date: Fri, 3 Apr 2020 17:21:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 04:39:25.279425
• Title: The data-driven physical-based equations discovery using evolutionary approach
• Title（参考訳）: 進化的アプローチを用いたデータ駆動物理式探索
• Authors: Alexander Hvatov and Mikhail Maslyaev
• Abstract要約: 与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。 このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。 解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
• 参考スコア（独自算出の注目度）: 77.34726150561087
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The modern machine learning methods allow one to obtain the data-driven models in various ways. However, the more complex the model is, the harder it is to interpret. In the paper, we describe the algorithm for the mathematical equations discovery from the given observations data. The algorithm combines genetic programming with the sparse regression. This algorithm allows obtaining different forms of the resulting models. As an example, it could be used for governing analytical equation discovery as well as for partial differential equations (PDE) discovery. The main idea is to collect a bag of the building blocks (it may be simple functions or their derivatives of arbitrary order) and consequently take them from the bag to create combinations, which will represent terms of the final equation. The selected terms pass to the evolutionary algorithm, which is used to evolve the selection. The evolutionary steps are combined with the sparse regression to pick only the significant terms. As a result, we obtain a short and interpretable expression that describes the physical process that lies beyond the data. In the paper, two examples of the algorithm application are described: the PDE discovery for the metocean processes and the function discovery for the acoustics.
• Abstract（参考訳）: 現代の機械学習手法では、様々な方法でデータ駆動モデルを得ることができる。 しかし、モデルがより複雑であるほど、解釈するのが難しくなる。 本稿では,与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。 このアルゴリズムは遺伝的プログラミングと疎回帰を組み合わせたものである。 このアルゴリズムは、結果の異なる形式のモデルを得ることができる。 例えば、解析方程式の発見や偏微分方程式(pde)の発見を管理するのに使うことができる。 主なアイデアは、構成要素の袋(単純な関数か任意の順序の導関数かもしれない)を集め、その結果、それらをバッグから取り出して組み合わせ、最終的な方程式の項を表すことである。 選択された用語は、選択を進化させるために使用される進化アルゴリズムに渡される。 進化段階は、重要な項のみを選ぶためにスパース回帰と組み合わせられる。 その結果、データを超えた物理的プロセスを記述する、短くて解釈可能な表現が得られる。 本稿では,メトカン過程のPDE発見と音響の関数発見という,アルゴリズム応用の2つの例について述べる。

関連論文リスト

• Comparison of Single- and Multi- Objective Optimization Quality for Evolutionary Equation Discovery [77.34726150561087]
  進化的微分方程式の発見は、より優先順位の低い方程式を得るための道具であることが証明された。 提案した比較手法は、バーガーズ方程式、波動方程式、コルテヴェーグ・ド・ブリーズ方程式といった古典的なモデル例で示される。
  論文  参考訳（メタデータ） (2023-06-29T15:37:19Z)
• Score-based Diffusion Models in Function Space [140.792362459734]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• D-CIPHER: Discovery of Closed-form Partial Differential Equations [80.46395274587098]
  D-CIPHERは人工物の測定に頑健であり、微分方程式の新しい、非常に一般的なクラスを発見できる。 さらに,D-CIPHERを効率的に探索するための新しい最適化手法であるCoLLieを設計する。
  論文  参考訳（メタデータ） (2022-06-21T17:59:20Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Feature Engineering with Regularity Structures [4.082216579462797]
  機械学習タスクの特徴として,正則構造理論からのモデルの利用について検討する。 本研究では、時空信号に付随するモデル特徴ベクトルの柔軟な定義と、これらの特徴を線形回帰と組み合わせる方法を示す2つのアルゴリズムを提供する。 我々はこれらのアルゴリズムを、与えられた強制と境界データを用いてPDEの解を学ぶために設計されたいくつかの数値実験に適用する。
  論文  参考訳（メタデータ） (2021-08-12T17:53:47Z)
• Discovery of Nonlinear Dynamical Systems using a Runge-Kutta Inspired Dictionary-based Sparse Regression Approach [9.36739413306697]
  機械学習と辞書ベースの学習を数値解析ツールと組み合わせ,微分方程式の制御を探索する。 我々は、サンプリング体制を超えてよりよく一般化しやすい解釈可能で準同型モデルを得る。 生物ネットワークに通常現れる有理非線形性を含む支配方程式の拡張について論じる。
  論文  参考訳（メタデータ） (2021-05-11T08:46:51Z)
• Shape-constrained Symbolic Regression -- Improving Extrapolation with Prior Knowledge [0.0]
  目的は、期待される振る舞いに適合し、能力を改善したモデルを見つけることである。 アルゴリズムは19の合成問題と4つの現実世界の回帰問題でテストされる。 形状制約レグレッションは、テストセットに最適な結果をもたらすが、さらに大きなモデルも生成する。
  論文  参考訳（メタデータ） (2021-03-29T14:04:18Z)
• A Probabilistic State Space Model for Joint Inference from Differential Equations and Data [23.449725313605835]
  ベイズフィルタを用いて解過程を直接句する常微分方程式 (odes) の解法の新しいクラスを示す。 その後、拡張カルマンフィルタの単一の線形複雑化パスにおいて、潜力とODE溶液のベイズ推定を近似することができるようになる。 本研究では,covid-19流行データに基づく非パラメトリックsirdモデルを訓練することにより,アルゴリズムの表現力と性能を示す。
  論文  参考訳（メタデータ） (2021-03-18T10:36:09Z)
• Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
  乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。 アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。 ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
  論文  参考訳（メタデータ） (2020-02-20T10:50:58Z)
• Data-Driven Discovery of Coarse-Grained Equations [0.0]
  マルチスケールモデリングとシミュレーションは、シミュレーションデータの学習がそのような発見につながる2つの分野である。 我々は、そのようなモデルの人間の発見を、2つのモードで実行できるスパース回帰に基づく機械学習戦略に置き換える。 一連の例は、方程式発見に対する我々のアプローチの正確性、堅牢性、限界を示している。
  論文  参考訳（メタデータ） (2020-01-30T23:41:37Z)

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。