論文の概要: Learning interaction kernels in mean-field equations of 1st-order
systems of interacting particles
- arxiv url: http://arxiv.org/abs/2010.15694v1
- Date: Thu, 29 Oct 2020 15:37:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-01 22:36:07.985918
- Title: Learning interaction kernels in mean-field equations of 1st-order
systems of interacting particles
- Title(参考訳): 相互作用粒子の1次系の平均場方程式における学習相互作用核
- Authors: Quanjun Lang, Fei Lu
- Abstract要約: 相互作用粒子の1次系に対する平均場方程式の相互作用核を学習するための非パラメトリックアルゴリズムを提案する。
少なくとも正則化と二乗することにより、アルゴリズムはデータ適応仮説空間上でカーネルを効率的に学習する。
- 参考スコア(独自算出の注目度): 1.776746672434207
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a nonparametric algorithm to learn interaction kernels of
mean-field equations for 1st-order systems of interacting particles. The data
consist of discrete space-time observations of the solution. By least squares
with regularization, the algorithm learns the kernel on data-adaptive
hypothesis spaces efficiently. A key ingredient is a probabilistic error
functional derived from the likelihood of the mean-field equation's diffusion
process. The estimator converges, in a reproducing kernel Hilbert space and an
L2 space under an identifiability condition, at a rate optimal in the sense
that it equals the numerical integrator's order. We demonstrate our algorithm
on three typical examples: the opinion dynamics with a piecewise linear kernel,
the granular media model with a quadratic kernel, and the aggregation-diffusion
with a repulsive-attractive kernel.
- Abstract(参考訳): 相互作用粒子の1次系に対する平均場方程式の相互作用核を学ぶための非パラメトリックアルゴリズムを提案する。
データは、解の離散的な時空観測から成っている。
正則化で最小二乗すると、アルゴリズムはデータ適応仮説空間上でカーネルを効率的に学習する。
主成分は平均場方程式の拡散過程の確率から導かれる確率的誤差汎関数である。
推定子は、再現された核ヒルベルト空間と L2 空間に微分可能性条件の下で収束し、数値積分子の順序に等しいという意味で最適である。
提案アルゴリズムは,3つの典型例について示す。1次線形カーネルによる意見力学,2次カーネルによる粒度メディアモデル,そして2次カーネルによる集合拡散である。
関連論文リスト
- Learning dissipative Hamiltonian dynamics with reproducing kernel Hilbert spaces and random Fourier features [0.7510165488300369]
本稿では,限定的かつノイズの多いデータセットから散逸的ハミルトン力学を学習するための新しい手法を提案する。
この手法の性能は、2つの散逸するハミルトン系のシミュレーションで検証される。
論文 参考訳(メタデータ) (2024-10-24T11:35:39Z) - Inferring Kernel $ε$-Machines: Discovering Structure in Complex Systems [49.1574468325115]
本稿では,カーネル因果状態推定を縮小次元空間における座標の集合として符号化する因果拡散成分を提案する。
それぞれのコンポーネントがデータから予測機能を抽出し,そのアプリケーションを4つの例で示す。
論文 参考訳(メタデータ) (2024-10-01T21:14:06Z) - Non-separable Covariance Kernels for Spatiotemporal Gaussian Processes
based on a Hybrid Spectral Method and the Harmonic Oscillator [0.0]
物理引数に基づいて共分散カーネルを生成するためのハイブリッドスペクトル手法を提案する。
3つの発振器系における共分散核(アンダーダッピング、臨界減衰、オーバーダッピング)の明示的な関係を導出し、それらの特性について検討する。
論文 参考訳(メタデータ) (2023-02-19T14:12:48Z) - 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) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳(メタデータ) (2023-02-10T08:05:19Z) - Learning "best" kernels from data in Gaussian process regression. With
application to aerodynamics [0.4588028371034406]
本稿では,ガウス過程の回帰/クリギングサロゲートモデリング手法におけるカーネルの選択/設計アルゴリズムを紹介する。
アルゴリズムの最初のクラスはカーネルフローであり、機械学習の分類の文脈で導入された。
アルゴリズムの第2のクラスはスペクトル核リッジ回帰と呼ばれ、近似される関数のノルムが最小となるような「最良の」カーネルを選択することを目的としている。
論文 参考訳(メタデータ) (2022-06-03T07:50:54Z) - On the Benefits of Large Learning Rates for Kernel Methods [110.03020563291788]
本稿では,カーネル手法のコンテキストにおいて,現象を正確に特徴付けることができることを示す。
分離可能なヒルベルト空間における2次対象の最小化を考慮し、早期停止の場合、学習速度の選択が得られた解のスペクトル分解に影響を及ぼすことを示す。
論文 参考訳(メタデータ) (2022-02-28T13:01:04Z) - Neural Fields as Learnable Kernels for 3D Reconstruction [101.54431372685018]
本稿では,学習したカーネルリッジの回帰に基づいて,暗黙の3次元形状を再構成する手法を提案する。
本手法は,3次元オブジェクトと大画面をスパース指向の点から再構成する際の最先端の処理結果を実現する。
論文 参考訳(メタデータ) (2021-11-26T18:59:04Z) - Data-driven discovery of interacting particle systems using Gaussian
processes [3.0938904602244346]
本研究では,2次相互作用粒子系における距離に基づく相互作用則の発見について検討する。
本稿では,潜在相互作用カーネル関数をガウス過程としてモデル化する学習手法を提案する。
異なる集団行動を示すシステムにおける数値的な結果から,ノイズの少ない軌道データから,我々のアプローチを効果的に学習することを示す。
論文 参考訳(メタデータ) (2021-06-04T22:00:53Z) - Learning interaction kernels in stochastic systems of interacting
particles from multiple trajectories [13.3638879601361]
相互作用する粒子やエージェントのシステムと、相互作用カーネルによって決定されるダイナミクスを考察する。
正規化極大推定器に基づく逆問題に対する非パラメトリック推論手法を提案する。
相関条件により,この問題の条件数を制御し,推定器の整合性を証明することができることを示す。
論文 参考訳(メタデータ) (2020-07-30T01:28:06Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳(メタデータ) (2020-06-16T21:56:22Z)
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。