論文の概要: Data-driven learning of robust nonlocal physics from high-fidelity
synthetic data
- arxiv url: http://arxiv.org/abs/2005.10076v1
- Date: Sun, 17 May 2020 22:53:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 06:00:44.656074
- Title: Data-driven learning of robust nonlocal physics from high-fidelity
synthetic data
- Title(参考訳): 高忠実性合成データを用いたロバスト非局所物理学のデータ駆動学習
- Authors: Huaiqian You, Yue Yu, Nathaniel Trask, Mamikon Gulian, Marta D'Elia
- Abstract要約: 非局所モデルに対する主要な課題は、それらを第一原理から導き出す解析的複雑さであり、しばしばそれらの使用は後続法として正当化される。
本研究では、データから非局所モデルを取り出し、これらの課題を回避し、結果のモデルフォームに対するデータ駆動的正当化を提供する。
- 参考スコア(独自算出の注目度): 3.9181541460605116
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A key challenge to nonlocal models is the analytical complexity of deriving
them from first principles, and frequently their use is justified a posteriori.
In this work we extract nonlocal models from data, circumventing these
challenges and providing data-driven justification for the resulting model
form. Extracting provably robust data-driven surrogates is a major challenge
for machine learning (ML) approaches, due to nonlinearities and lack of
convexity. Our scheme allows extraction of provably invertible nonlocal models
whose kernels may be partially negative. To achieve this, based on established
nonlocal theory, we embed in our algorithm sufficient conditions on the
non-positive part of the kernel that guarantee well-posedness of the learnt
operator. These conditions are imposed as inequality constraints and ensure
that models are robust, even in small-data regimes. We demonstrate this
workflow for a range of applications, including reproduction of manufactured
nonlocal kernels; numerical homogenization of Darcy flow associated with a
heterogeneous periodic microstructure; nonlocal approximation to high-order
local transport phenomena; and approximation of globally supported fractional
diffusion operators by truncated kernels.
- Abstract(参考訳): 非局所モデルに対する重要な課題は、それらを第一原理から導き出す解析的複雑さであり、しばしばそれらの使用は後続法として正当化される。
本研究では、データから非局所モデルを取り出し、これらの課題を回避し、結果のモデルフォームに対するデータ駆動的正当化を提供する。
確実に堅牢なデータ駆動サロゲートを抽出することは、非線形性と凸性の欠如により、機械学習(ML)アプローチの大きな課題である。
このスキームは、カーネルが部分的に負である可能性のある可逆な非局所モデルを抽出することができる。
これを実現するために、確立された非局所理論に基づいて、学習者演算子の適合性を保証するカーネルの非正の部分に十分な条件を埋め込む。
これらの条件は不平等な制約として課せられ、小さなデータ体制であってもモデルが堅牢であることを保証する。
本研究では,非局所カーネルの再現,不均質な周期的構造を伴うダーシー流れの数値的均質化,高次局所輸送現象に対する非局所近似,切断したカーネルによるグローバルに支持された分数拡散作用素の近似など,様々な応用分野におけるこのワークフローを実証する。
関連論文リスト
- Inverse Flow and Consistency Models [5.1438052682409605]
Inverse Flow (IF) は、逆生成問題に生成モデルを使用することを可能にする新しいフレームワークである。
IFはほとんどの連続的なノイズ分布に柔軟に適用でき、複雑な依存関係を可能にする。
我々は,IFの合成および実データに対する効果を実証し,先行手法より優れていることを示す。
論文 参考訳(メタデータ) (2025-02-17T01:11:42Z) - Generalized Diffusion Model with Adjusted Offset Noise [1.7767466724342067]
本稿では,厳密な確率的枠組みの中で自然に付加的な雑音を取り入れた一般化拡散モデルを提案する。
我々は、ある調整でノイズを相殺する理論的等価性を確立し、証拠の低い境界に基づいて損失関数を導出する。
合成データセットの実験により、我々のモデルは輝度に関する課題に効果的に対処し、高次元シナリオにおいて従来の手法より優れていることが示された。
論文 参考訳(メタデータ) (2024-12-04T08:57:03Z) - Marginal Causal Flows for Validation and Inference [3.547529079746247]
複雑なデータから得られる結果に対する介入の限界因果効果を調べることは依然として困難である。
Frugal Flowsは、正規化フローを使用してデータ生成過程を柔軟に学習する新しい確率ベース機械学習モデルである。
シミュレーションと実世界の両方のデータセットで実験を行った。
論文 参考訳(メタデータ) (2024-11-02T16:04:57Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳(メタデータ) (2023-04-10T17:54:38Z) - Score-based Diffusion Models in Function Space [137.70916238028306]
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。
この研究は、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)と呼ばれる数学的に厳密なフレームワークを導入する。
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) - ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。
摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。
最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
論文 参考訳(メタデータ) (2022-08-18T16:07:59Z) - Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。
この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。
本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-06-08T04:09:13Z) - Nonparametric learning of kernels in nonlocal operators [6.314604944530131]
非局所作用素におけるカーネル学習のための厳密な識別可能性解析および収束研究を提供する。
本稿では,新しいデータ適応型RKHS Tikhonov正規化手法を用いた非パラメトリック回帰アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-05-23T02:47:55Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳(メタデータ) (2020-10-05T20:03:13Z) - Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
条件正規化フロー(CNF)はサンプリングと推論において効率的である。
出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
論文 参考訳(メタデータ) (2019-11-29T19:17:58Z)
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。