論文の概要: Robust data-driven discovery of partial differential equations with time-dependent coefficients

• arxiv url: http://arxiv.org/abs/2102.01432v1
• Date: Tue, 2 Feb 2021 11:05:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-03 16:31:44.808920
• Title: Robust data-driven discovery of partial differential equations with time-dependent coefficients
• Title（参考訳）: 時間依存係数をもつ偏微分方程式のロバストなデータ駆動探索
• Authors: Aoxue Chen, Guang Lin
• Abstract要約: 可変係数を持つ偏微分方程式に対する頑健なベイズスパース学習アルゴリズムを提案する。 不確実性定量化は、モデル選択としきい値設定の新しい基準を設計するために用いられる。 本手法は騒音条件下での逐次グループ化閾値リッジ回帰とグループラッソよりも頑健である。
• 参考スコア（独自算出の注目度）: 8.66798555194688
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we propose a robust Bayesian sparse learning algorithm based on Bayesian group Lasso with spike and slab priors for the discovery of partial differential equations with variable coefficients. Using the samples draw from the posterior distribution with a Gibbs sampler, we are able to estimate the values of coefficients, together with their standard errors and confidence intervals. Apart from constructing the error bars, uncertainty quantification can also be employed for designing new criteria of model selection and threshold setting. This enables our method more adjustable and robust in learning equations with time-dependent coefficients. Three criteria are introduced for model selection and threshold setting to identify the correct terms: the root mean square, total error bar, and group error bar. Moreover, three noise filters are integrated with the robust Bayesian sparse learning algorithm for better results with larger noise. Numerical results demonstrate that our method is more robust than sequential grouped threshold ridge regression and group Lasso in noisy situations through three examples.
• Abstract（参考訳）: 本研究では,ベイズ群Lassoとスパイクとスラブの先行値を用いた,可変係数の偏微分方程式の発見に基づく,堅牢なベイズスパース学習アルゴリズムを提案する。 Gibbsサンプラーで後方分布から抽出したサンプルを用いて、標準誤差と信頼区間とともに係数の値を推定することができます。 エラーバーの構築とは別に、モデル選択としきい値設定の新しい基準の設計にも不確実性定量化を用いることができる。 これにより、時間依存係数を持つ学習方程式において、より調整可能でロバストな手法が可能となる。 モデル選択としきい値設定の3つの基準を導入し、正しい用語を識別する:ルート平均平方、総誤差バー、グループエラーバーである。 さらに,3つのノイズフィルタを頑健なベイズスパース学習アルゴリズムと統合し,より大きなノイズでより良い結果を得る。 数値計算により,本手法は3つの例による雑音条件下での逐次グループ化閾値リッジ回帰とグループラッソよりも頑健であることが示された。

関連論文リスト

• Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
  実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。 本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
  論文  参考訳（メタデータ） (2023-06-13T01:18:16Z)
• Robust Outlier Rejection for 3D Registration with Variational Bayes [70.98659381852787]
  我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。 そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
  論文  参考訳（メタデータ） (2023-04-04T03:48:56Z)
• Convergence of uncertainty estimates in Ensemble and Bayesian sparse model discovery [4.446017969073817]
  ブートストラップに基づく逐次しきい値最小二乗推定器による雑音に対する精度と頑健性の観点から経験的成功を示す。 このブートストラップに基づくアンサンブル手法は,誤差率の指数収束率で,確率的に正しい可変選択を行うことができることを示す。
  論文  参考訳（メタデータ） (2023-01-30T04:07:59Z)
• Denoising after Entropy-based Debiasing A Robust Training Method for Dataset Bias with Noisy Labels [12.335698325757491]
  エントロピーに基づくデバイアス(debiasing),すなわちDNEB(denoising)と呼ばれる3つの主要なステージを持つアプローチを提案する。 復調前の復調アルゴリズムの実行は、復調アルゴリズムが難読化サンプルの影響を減少させるため、効果がないことが判明した。
  論文  参考訳（メタデータ） (2022-12-01T04:34:59Z)
• A toolkit for data-driven discovery of governing equations in high-noise regimes [5.025654873456756]
  時系列データから高雑音の極限における支配方程式の探索について考察する。 どちらも、システム x' = f(x) から取得したノイズの多いデータに焦点を当てています。
  論文  参考訳（メタデータ） (2021-11-08T23:32:11Z)
• Evaluating State-of-the-Art Classification Models Against Bayes Optimality [106.50867011164584]
  正規化フローを用いて学習した生成モデルのベイズ誤差を正確に計算できることを示す。 われわれの手法を用いて、最先端の分類モデルについて徹底的な調査を行う。
  論文  参考訳（メタデータ） (2021-06-07T06:21:20Z)
• Outlier-Robust Learning of Ising Models Under Dobrushin's Condition [57.89518300699042]
  本研究では, サンプルの一定割合が逆向きに破壊されるような外乱条件下で, ドブルシンの条件を満たすIsingモデルの学習問題について検討する。 我々の主な成果は、ほぼ最適誤差保証を伴うこの問題に対して、計算効率のよい最初の頑健な学習アルゴリズムを提供することである。
  論文  参考訳（メタデータ） (2021-02-03T18:00:57Z)
• Robust Grouped Variable Selection Using Distributionally Robust Optimization [11.383869751239166]
  摂動下での群付き変数選択のための不確実性セットを用いた分布ロバスト最適化(DRO)の定式化を提案する。 我々は,サンプル外損失と推定バイアスの確率的境界を証明し,推定器の群化効果を確立する。 我々の定式化は,群レベルでの空間性を促進する解釈可能で同相なモデルを生成することを示す。
  論文  参考訳（メタデータ） (2020-06-10T22:32:52Z)
• SUMO: Unbiased Estimation of Log Marginal Probability for Latent Variable Models [80.22609163316459]
  無限級数のランダム化トランケーションに基づく潜在変数モデルに対して、ログ境界確率の非バイアス推定器とその勾配を導入する。 推定器を用いてトレーニングしたモデルは、同じ平均計算コストに対して、標準的な重要度サンプリングに基づくアプローチよりも優れたテストセット確率を与えることを示す。
  論文  参考訳（メタデータ） (2020-04-01T11:49:30Z)
• Estimating Gradients for Discrete Random Variables by Sampling without Replacement [93.09326095997336]
  我々は、置換のないサンプリングに基づいて、離散確率変数に対する期待値の偏りのない推定器を導出する。 推定器は3つの異なる推定器のラオ・ブラックウェル化として導出可能であることを示す。
  論文  参考訳（メタデータ） (2020-02-14T14:15:18Z)

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。