論文の概要: Data-based Discovery of Governing Equations

• arxiv url: http://arxiv.org/abs/2012.06036v2
• Date: Mon, 21 Dec 2020 17:23:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-22 15:47:10.006873
• Title: Data-based Discovery of Governing Equations
• Title（参考訳）: データに基づく支配方程式の発見
• Authors: Waad Subber, Piyush Pandita, Sayan Ghosh, Genghis Khan, Liping Wang, Roger Ghanem
• Abstract要約: 観測データから制御方程式の自動発見のためのデータベース物理発見(DPD)フレームワークを提案する。 航空産業における実世界のアプリケーション上で,提案するフレームワークの性能を実証する。
• 参考スコア（独自算出の注目度）: 1.574365819926238
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most common mechanistic models are traditionally presented in mathematical forms to explain a given physical phenomenon. Machine learning algorithms, on the other hand, provide a mechanism to map the input data to output without explicitly describing the underlying physical process that generated the data. We propose a Data-based Physics Discovery (DPD) framework for automatic discovery of governing equations from observed data. Without a prior definition of the model structure, first a free-form of the equation is discovered, and then calibrated and validated against the available data. In addition to the observed data, the DPD framework can utilize available prior physical models, and domain expert feedback. When prior models are available, the DPD framework can discover an additive or multiplicative correction term represented symbolically. The correction term can be a function of the existing input variable to the prior model, or a newly introduced variable. In case a prior model is not available, the DPD framework discovers a new data-based standalone model governing the observations. We demonstrate the performance of the proposed framework on a real-world application in the aerospace industry.
• Abstract（参考訳）: ほとんどの一般的な力学モデルは、与えられた物理現象を説明するために伝統的に数学的形式で示される。 一方、機械学習アルゴリズムは、データを生成する基盤となる物理的プロセスを明確に記述することなく、入力データを出力にマッピングするメカニズムを提供する。 観測データから制御方程式の自動発見のためのデータベース物理発見(DPD)フレームワークを提案する。 モデル構造の事前の定義がなければ、まず方程式の自由形式が発見され、得られたデータに対して校正され検証される。 観測データに加えて、PDフレームワークは利用可能な事前物理モデルとドメインエキスパートのフィードバックを利用することができる。 事前モデルが利用可能であれば、dpdフレームワークは記号的に表される加法あるいは乗法補正項を見つけることができる。 補正項は、既存の入力変数の事前モデルへの関数、または新しく導入された変数である。 事前のモデルが利用できない場合、PDフレームワークは観測を統制する新しいデータベースのスタンドアロンモデルを発見する。 航空産業における実世界のアプリケーションにおける提案フレームワークの性能を実証する。

関連論文リスト

• SymbolFit: Automatic Parametric Modeling with Symbolic Regression [1.2662552408022727]
  シンボリック回帰を用いてパラメトリックモデリングを自動化するフレームワークであるSybolFitを導入し,データに適合する関数の機械探索を行う。 本手法はCERN大型ハドロン衝突型加速器における高エネルギー物理実験におけるデータ解析応用において実証された。
  論文  参考訳（メタデータ） (2024-11-15T00:09:37Z)
• Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
  拡散モデルは、生成的モデリングに大きな進歩をもたらした。 しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。 本稿では,テキスト・インフルエンス・ファンクション・フレームワークを開発することにより,このような課題に対処することを目的とする。
  論文  参考訳（メタデータ） (2024-10-17T17:59:02Z)
• State-observation augmented diffusion model for nonlinear assimilation [6.682908186025083]
  生成モデルに基づく新しいデータ駆動同化アルゴリズムを提案する。 我々の状態観測拡張拡散モデル(SOAD)は、非線形物理モデルと観測モデルをより効率的に扱うように設計されている。
  論文  参考訳（メタデータ） (2024-07-31T03:47:20Z)
• Data Shapley in One Training Run [88.59484417202454]
  Data Shapleyは、機械学習コンテキストにおけるデータのコントリビューションに寄与するための、原則化されたフレームワークを提供する。 既存のアプローチでは、計算集約的な異なるデータサブセット上の再学習モデルが必要である。 本稿では、対象とするデータモデルに対するスケーラブルなデータ属性を提供することにより、これらの制限に対処するIn-Run Data Shapleyを紹介する。
  論文  参考訳（メタデータ） (2024-06-16T17:09:24Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Predictable MDP Abstraction for Unsupervised Model-Based RL [93.91375268580806]
  予測可能なMDP抽象化(PMA)を提案する。 元のMDPで予測モデルを訓練する代わりに、学習されたアクション空間を持つ変換MDPでモデルを訓練する。 我々はPMAを理論的に解析し、PMAが以前の教師なしモデルベースRLアプローチよりも大幅に改善することを示す。
  論文  参考訳（メタデータ） (2023-02-08T07:37:51Z)
• $Φ$-DVAE: Physics-Informed Dynamical Variational Autoencoders for Unstructured Data Assimilation [3.2873782624127843]
  物理インフォームドな動的変分オートエンコーダ(Phi$-DVAE)を開発し、様々なデータストリームを時間進化物理系に埋め込む。 我々の手法は、非構造化データを潜在力学系に同化するために、潜在状態空間モデルのための標準的な非線形フィルタとVOEを組み合わせたものである。 変分ベイズフレームワークは、符号化、潜時状態、未知のシステムパラメータの合同推定に使用される。
  論文  参考訳（メタデータ） (2022-09-30T17:34:48Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Closed-form discovery of structural errors in models of chaotic systems by integrating Bayesian sparse regression and data assimilation [0.0]
  私たちはMEDIDAというフレームワークを紹介します: 解釈可能性とデータ同化を伴うモデルエラー発見。 MEDIDAでは、まず、観測状態と予測状態の差からモデル誤差を推定する。 観測結果がノイズである場合、まず、アンサンブルカルマンフィルタ(EnKF)のようなデータ同化手法を用いて、システムのノイズフリー解析状態を提供する。 最後に、レバレンスベクトルマシン(RVM)のような方程式発見手法、すなわちスパーシィプロモーティングベイズ法を用いて、解釈可能でパシモニアスでクローズドな解を同定する。
  論文  参考訳（メタデータ） (2021-10-01T17:19:28Z)

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。