論文の概要: Coarse-grained and emergent distributed parameter systems from data
- arxiv url: http://arxiv.org/abs/2011.08138v2
- Date: Tue, 17 Nov 2020 02:32:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 23:56:58.410026
- Title: Coarse-grained and emergent distributed parameter systems from data
- Title(参考訳): データからの粗粒および創発性分散パラメータシステム
- Authors: Hassan Arbabi, Felix P. Kemeth, Tom Bertalan and Ioannis Kevrekidis
- Abstract要約: 我々は計算システムデータからPDEを導出する。
特に、ここでは、多様体学習技術の使用に焦点を当てる。
我々は、確立されたPDEの例を通して、それぞれのアプローチを実証する。
- 参考スコア(独自算出の注目度): 0.6117371161379209
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We explore the derivation of distributed parameter system evolution laws (and
in particular, partial differential operators and associated partial
differential equations, PDEs) from spatiotemporal data. This is, of course, a
classical identification problem; our focus here is on the use of manifold
learning techniques (and, in particular, variations of Diffusion Maps) in
conjunction with neural network learning algorithms that allow us to attempt
this task when the dependent variables, and even the independent variables of
the PDE are not known a priori and must be themselves derived from the data.
The similarity measure used in Diffusion Maps for dependent coarse variable
detection involves distances between local particle distribution observations;
for independent variable detection we use distances between local short-time
dynamics. We demonstrate each approach through an illustrative established PDE
example. Such variable-free, emergent space identification algorithms connect
naturally with equation-free multiscale computation tools.
- Abstract(参考訳): 時空間データから分散パラメータ系進化則(特に偏微分作用素と関連する偏微分方程式、PDE)の導出について検討する。
これは古典的な識別問題であり、我々の焦点は、依存変数や PDE の独立変数でさえも、先行変数として知られておらず、データから自身を導出しなければならないような、ニューラルネットワーク学習アルゴリズムと共に、多様体学習技術(特に拡散マップの変種)を使用することである。
従属的な粗い変数検出のために拡散写像で使われる類似度尺度は、局所粒子分布観測間の距離を含む;独立変数検出では局所短時間ダイナミクス間の距離を用いる。
実証的なPDEの例を通して,それぞれのアプローチを実証する。
このような変数のない創発的空間同定アルゴリズムは、自然に方程式のないマルチスケール計算ツールと接続する。
関連論文リスト
- DynGMA: a robust approach for learning stochastic differential equations
from data [16.37145148171519]
パラメータ化されたSDEの遷移密度に新しい近似を導入する。
本手法は, 完全に未知のドリフト拡散関数の学習において, ベースライン法と比較して精度が高い。
低時間解像度と可変、さらには制御不能な時間ステップサイズでデータを処理できる。
論文 参考訳(メタデータ) (2024-02-22T12:09:52Z) - Towards stable real-world equation discovery with assessing
differentiating quality influence [52.2980614912553]
一般的に用いられる有限差分法に代わる方法を提案する。
我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
論文 参考訳(メタデータ) (2023-11-09T23:32:06Z) - HFN: Heterogeneous Feature Network for Multivariate Time Series Anomaly
Detection [2.253268952202213]
MTSのためのヘテロジニアス特徴ネットワーク(HFN)に基づく,新しい半教師付き異常検出フレームワークを提案する。
まず、センサ埋め込みによって生成された埋め込み類似性グラフと、センサ値によって生成された特徴値類似性グラフを組み合わせて、時系列不均一グラフを構築する。
このアプローチは、ヘテロジニアスグラフ構造学習(HGSL)と表現学習の最先端技術を融合させる。
論文 参考訳(メタデータ) (2022-11-01T05:01:34Z) - Semi-supervised Learning of Partial Differential Operators and Dynamical
Flows [68.77595310155365]
本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。
本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。
その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
論文 参考訳(メタデータ) (2022-07-28T19:59:14Z) - Differentiable Invariant Causal Discovery [106.87950048845308]
観測データから因果構造を学ぶことは、機械学習の基本的な課題である。
本稿では,不特定変分因果解法(DICD)を提案する。
合成および実世界のデータセットに関する大規模な実験は、DICDがSHDの36%まで最先端の因果発見手法より優れていることを検証している。
論文 参考訳(メタデータ) (2022-05-31T09:29:07Z) - Equivariance Discovery by Learned Parameter-Sharing [153.41877129746223]
データから解釈可能な等価性を発見する方法について検討する。
具体的には、モデルのパラメータ共有方式に対する最適化問題として、この発見プロセスを定式化する。
また,ガウスデータの手法を理論的に解析し,研究された発見スキームとオラクルスキームの間の平均2乗ギャップを限定する。
論文 参考訳(メタデータ) (2022-04-07T17:59:19Z) - On the Kullback-Leibler divergence between pairwise isotropic
Gaussian-Markov random fields [93.35534658875731]
2つの対の等方性ガウス-マルコフ確率場間のクルバック-リーブラ分散の式を導出する。
提案した方程式は、画像処理と機械学習の応用において、新しい類似度尺度の開発を可能にする。
論文 参考訳(メタデータ) (2022-03-24T16:37:24Z) - Decentralized Local Stochastic Extra-Gradient for Variational
Inequalities [125.62877849447729]
我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。
我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。
理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
論文 参考訳(メタデータ) (2021-06-15T17:45:51Z) - Learning emergent PDEs in a learned emergent space [0.6157382820537719]
我々は結合エージェントシステムの集合記述のための偏微分方程式(PDE)の形式で予測モデルを学習する。
スロー多様体上の集団ダイナミクスは、創発座標における局所的"空間的"部分微分に基づく学習モデルによって近似できることを示した。
提案手法はエージェントダイナミクスをパラメータとする創発的空間座標の自動抽出とデータ駆動抽出を統合する。
論文 参考訳(メタデータ) (2020-12-23T15:17:21Z) - Particles to Partial Differential Equations Parsimoniously [0.0]
粗粒の有効部分微分方程式は、予測や制御のような計算集約的なタスクにかなりの節約をもたらす可能性がある。
本稿では,ニューラルネットワークとマルチスケール計算を組み合わせる枠組みを,方程式自由数値の形で提案する。
素粒子シミュレーションから大まかな粒度進化方程式を抽出し, 未知のマクロスケール変数を用いた手法を提案する。
論文 参考訳(メタデータ) (2020-11-09T15:51:24Z) - AI Giving Back to Statistics? Discovery of the Coordinate System of
Univariate Distributions by Beta Variational Autoencoder [0.0]
本稿では、単変量経験分布を分類し、累積分布関数(CDF)の入力に基づいて2次元の潜伏空間で表現するためのニューラルネットワークのトレーニング経験について論じる。
潜在2次元座標系上の表現は、CDFの形状、基礎となる理論分布とそのパラメータの分類確率、情報エントロピー、歪みなど、重要な分布特性を乱す実世界のデータの付加メタデータと見なすことができる。
論文 参考訳(メタデータ) (2020-04-06T14:11:13Z)
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。