Fugu-MT 論文翻訳(概要): Some observations on partial differential equations in Barron and multi-layer spaces

論文の概要: Some observations on partial differential equations in Barron and multi-layer spaces

arxiv url: http://arxiv.org/abs/2012.01484v2
Date: Thu, 10 Dec 2020 02:27:46 GMT
ステータス: 処理完了
システム内更新日: 2021-05-25 03:44:02.258572
Title: Some observations on partial differential equations in Barron and multi-layer spaces
Title（参考訳）: バロン空間と多層空間における偏微分方程式に関するいくつかの観測
Authors: Weinan E and Stephan Wojtowytsch
Abstract要約: ある種の偏微分方程式の解は、PDEデータがそのような函数空間にある場合、バロン空間または多層空間にあることを示す。本稿では,ニューラルネットワークに関連付けられた関数空間に解が配置されない事例について述べる。
参考スコア（独自算出の注目度）: 9.975163460952045
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We use explicit representation formulas to show that solutions to certain partial differential equations lie in Barron spaces or multilayer spaces if the PDE data lie in such function spaces. Consequently, these solutions can be represented efficiently using artificial neural networks, even in high dimension. Conversely, we present examples in which the solution fails to lie in the function space associated to a neural network under consideration.
Abstract（参考訳）: 明示的な表現公式を用いて、ある偏微分方程式の解が、もしPDEデータがそのような函数空間にあるなら、バロン空間や多層空間にあることを示す。したがって、これらの解は高次元でもニューラルネットワークを用いて効率的に表現することができる。逆に、検討中のニューラルネットワークに関連する関数空間に解が配置されない例を示す。

関連論文リスト

Space-Time Approximation with Shallow Neural Networks in Fourier Lebesgue spaces [1.74048653626208]
ボヒナー・ソボレフ空間における異方性重み付きフーリエ・ルベーグ空間の包含について検討する。異方性重み付きフーリエ・ルベーグ空間からの関数の近似率とボヒナー・ソボレフノルムのSNNによる近似の有界性を確立する。
論文参考訳（メタデータ） (2023-12-13T19:02:27Z)
TransNet: Transferable Neural Networks for Partial Differential Equations [14.15250342406011]
既存の転送学習アプローチでは、その定式化や事前学習のためのソリューションのデータなど、ターゲットPDEの多くの情報を必要とする。本稿では,PDE情報を用いることなく,純粋関数近似の観点から伝達可能なニューラル特徴空間を構築することを提案する。
論文参考訳（メタデータ） (2023-01-27T13:26:25Z)
Sparse Deep Neural Network for Nonlinear Partial Differential Equations [3.0069322256338906]
本稿では,非線形偏微分方程式の解の適応近似に関する数値的研究について述べる。特定の特異点を持つ関数を表現するために、複数のパラメータを持つスパース正規化を備えたディープニューラルネットワーク(DNN)を開発する。数値的な例では、提案したSDNNが生成する解はスパースで正確である。
論文参考訳（メタデータ） (2022-07-27T03:12:16Z)
LordNet: Learning to Solve Parametric Partial Differential Equations without Simulated Data [63.55861160124684]
本稿では,離散化されたPDEによって構築された平均2乗残差(MSR)損失から,ニューラルネットワークが直接物理を学習する一般データ自由パラダイムを提案する。具体的には,低ランク分解ネットワーク(LordNet)を提案する。 Poisson方程式とNavier-Stokes方程式を解く実験は、MSR損失による物理的制約がニューラルネットワークの精度と能力を向上させることを実証している。
論文参考訳（メタデータ） (2022-06-19T14:41:08Z)
Lie Point Symmetry Data Augmentation for Neural PDE Solvers [69.72427135610106]
本稿では,ニューラルPDEソルバサンプルの複雑性を改善することにより,この問題を部分的に緩和する手法を提案する。 PDEの文脈では、データ変換の完全なリストを定量的に導き出せることが分かりました。神経性PDEソルバサンプルの複雑さを桁違いに改善するために、どのように容易に展開できるかを示す。
論文参考訳（メタデータ） (2022-02-15T18:43:17Z)
Measuring dissimilarity with diffeomorphism invariance [94.02751799024684]
DID(DID)は、幅広いデータ空間に適用可能なペアワイズな相似性尺度である。我々は、DIDが理論的研究と実用に関係のある特性を享受していることを証明する。
論文参考訳（メタデータ） (2022-02-11T13:51:30Z)
Approximations with deep neural networks in Sobolev time-space [5.863264019032882]
進化方程式の解は一般に特定のボヒナー・ソボレフ空間にある。ディープニューラルネットワークは、ボヒナー・ソボレフ空間に関してソボレフ正則関数を近似することができる。
論文参考訳（メタデータ） (2020-12-23T22:21:05Z)
Optimal oracle inequalities for solving projected fixed-point equations [53.31620399640334]
ヒルベルト空間の既知の低次元部分空間を探索することにより、確率観測の集合を用いて近似解を計算する手法を検討する。本稿では,線形関数近似を用いた政策評価問題に対する時間差分学習手法の誤差を正確に評価する方法について述べる。
論文参考訳（メタデータ） (2020-12-09T20:19:32Z)
Deep neural network approximation for high-dimensional elliptic PDEs with boundary conditions [6.079011829257036]
ディープニューラルネットワークは、次元の呪いを引き起こすことなく、パラボリック偏微分方程式のクラスへの解を近似することができる。本稿では、ディリクレ境界条件下での領域$Dsubset mathbbRd$上のポアソン方程式という重要なモデル問題を考える。ディープニューラルネットワークは、次元の呪いを起こさずに、その問題の解を表現できることが示されている。
論文参考訳（メタデータ） (2020-07-10T13:40:27Z)
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)
Neural Operator: Graph Kernel Network for Partial Differential Equations [57.90284928158383]
この作業はニューラルネットワークを一般化し、無限次元空間(演算子)間の写像を学習できるようにすることである。非線形活性化関数と積分作用素のクラスを構成することにより、無限次元写像の近似を定式化する。実験により,提案したグラフカーネルネットワークには所望の特性があり,最先端技術と比較した場合の競合性能を示すことが確認された。
論文参考訳（メタデータ） (2020-03-07T01:56:20Z)

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。