論文の概要: Bridging Physics-based and Data-driven modeling for Learning Dynamical Systems

• arxiv url: http://arxiv.org/abs/2011.10616v2
• Date: Thu, 29 Apr 2021 08:09:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 06:50:19.768273
• Title: Bridging Physics-based and Data-driven modeling for Learning Dynamical Systems
• Title（参考訳）: 動的システム学習のためのブリッジング物理とデータ駆動モデリング
• Authors: Rui Wang, Danielle Maddix, Christos Faloutsos, Yuyang Wang, Rose Yu
• Abstract要約: モデルパラメータを推定するために自動微分を利用した物理モデル学習をAutoODEとして定式化する。 本手法は,7日間の先進的な予測における平均絶対誤差を57.4%削減する。
• 参考スコア（独自算出の注目度）: 36.04381259949935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How can we learn a dynamical system to make forecasts, when some variables are unobserved? For instance, in COVID-19, we want to forecast the number of infected and death cases but we do not know the count of susceptible and exposed people. While mechanics compartment models are widely used in epidemic modeling, data-driven models are emerging for disease forecasting. We first formalize the learning of physics-based models as AutoODE, which leverages automatic differentiation to estimate the model parameters. Through a benchmark study on COVID-19 forecasting, we notice that physics-based mechanistic models significantly outperform deep learning. Our method obtains a 57.4% reduction in mean absolute errors for 7-day ahead COVID-19 forecasting compared with the best deep learning competitor. Such performance differences highlight the generalization problem in dynamical system learning due to distribution shift. We identify two scenarios where distribution shift can occur: changes in data domain and changes in parameter domain (system dynamics). Through systematic experiments on several dynamical systems, we found that deep learning models fail to forecast well under both scenarios. While much research on distribution shift has focused on changes in the data domain, our work calls attention to rethink generalization for learning dynamical systems.
• Abstract（参考訳）: 変数が観測されない場合、どのように力学系を学習して予測を行うか? 例えば、新型コロナウイルス(covid-19)では、感染者や死亡者の数を予測したいが、感染性や被曝者の数を知らない。 メカニカルコンパートメントモデルは伝染病のモデルに広く使われているが、疾患予測にはデータ駆動モデルが登場している。 まず,モデルパラメータ推定に自動微分を利用した物理モデル学習をautoodeとして定式化する。 新型コロナウイルスの予測に関するベンチマーク研究を通じて、物理に基づく力学モデルがディープラーニングを著しく上回っていることに気づいた。 本手法は,7日間の先進的な予測における平均絶対誤差を57.4%削減する。 このような性能差は、分散シフトによる力学系学習における一般化問題を強調する。 データ領域の変化とパラメータ領域の変化(システムダイナミクス)である。 複数の力学系における系統的実験により,深層学習モデルではどちらのシナリオでも予測が困難であることが判明した。 分散シフトに関する多くの研究は、データ領域の変化に焦点を当てているが、我々の研究は、動的システムを学ぶための一般化を再考するために注意を喚起している。

関連論文リスト

• Scientific machine learning in ecological systems: A study on the predator-prey dynamics [1.4633779950109127]
  我々は、学習データやニューラルネットワークにのみ依存して、システムの事前の知識なしに、基礎となる微分方程式を明らかにすることを目指している。 本稿では,LotkaVolterraシステムの予測と予測に,Neural ODEとUDEの両方を効果的に活用できることを実証する。 基礎となるダイナミクスを効果的に回復し、トレーニングデータを大幅に減らして正確な予測を行うことで、UDEがニューラルODEより優れているかを観察した。
  論文  参考訳（メタデータ） (2024-11-11T10:40:45Z)
• Learning System Dynamics without Forgetting [60.08612207170659]
  未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。 本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。 生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-06-30T14:55:18Z)
• Enhancing Dynamical System Modeling through Interpretable Machine Learning Augmentations: A Case Study in Cathodic Electrophoretic Deposition [0.8796261172196743]
  本稿では,物理システムのモデリング向上を目的とした包括的データ駆動フレームワークを提案する。 実証的応用として,電顕的電気泳動沈着(EPD)のモデル化を追求する。
  論文  参考訳（メタデータ） (2024-01-16T14:58:21Z)
• Generalizing Graph ODE for Learning Complex System Dynamics across Environments [33.63818978256567]
  GG-ODEは、環境全体にわたる継続的マルチエージェントシステムのダイナミクスを学習するための機械学習フレームワークである。 我々のモデルは、グラフニューラルネットワーク(GNN)によりパラメータ化されたニューラル常微分方程式(ODE)を用いてシステムダイナミクスを学習する。 様々な物理シミュレーション実験により,我々のモデルは,特に長距離において,システム力学を正確に予測できることが示されている。
  論文  参考訳（メタデータ） (2023-07-10T00:29:25Z)
• Learning Latent Dynamics via Invariant Decomposition and (Spatio-)Temporal Transformers [0.6767885381740952]
  本研究では,高次元経験データから力学系を学習する手法を提案する。 我々は、システムの複数の異なるインスタンスからデータが利用できる設定に焦点を当てる。 我々は、単純な理論的分析と、合成および実世界のデータセットに関する広範な実験を通して行動を研究する。
  論文  参考訳（メタデータ） (2023-06-21T07:52:07Z)
• Knowledge-based Deep Learning for Modeling Chaotic Systems [7.075125892721573]
  本稿では,極端事象とその力学を考察し,知識ベースディープラーニング(KDL)と呼ばれる,深層ニューラルネットワークに基づくモデルを提案する。 提案するKDLは,実データとシミュレーションデータとの協調学習により,カオスシステムを管理する複雑なパターンを学習することができる。 我々は,エルニーニョ海表面温度,サンフアン・デング熱感染,ブヨルノヤ日降水という3つの実世界のベンチマークデータセットを用いて,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2022-09-09T11:46:25Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Learning continuous models for continuous physics [94.42705784823997]
  本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。 本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
  論文  参考訳（メタデータ） (2022-02-17T07:56:46Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
  本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。 我々はイタリアとフランスの疫病の進化を予報する。
  論文  参考訳（メタデータ） (2020-10-28T10:58:59Z)

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。