論文の概要: An interpretable prediction model for longitudinal dispersion
coefficient in natural streams based on evolutionary symbolic regression
network
- arxiv url: http://arxiv.org/abs/2106.11026v1
- Date: Thu, 17 Jun 2021 07:06:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-22 15:10:58.661965
- Title: An interpretable prediction model for longitudinal dispersion
coefficient in natural streams based on evolutionary symbolic regression
network
- Title（参考訳）: 進化的記号回帰ネットワークに基づく自然流の縦分散係数の解釈可能な予測モデル
- Authors: Yifeng Zhao, Zicheng Liu, Pei Zhang, Stan Z. Li, S.A. Galindo-Torres
- Abstract要約: 縦分散係数(LDC)の予測には様々な方法が提案されている。
本稿では,まずこれらの手法の詳細な解析を行い,その欠陥を明らかにする。
次に、進化的記号回帰ネットワーク(ESRN)と呼ばれる新しい記号回帰法を設計する。
- 参考スコア（独自算出の注目度）: 30.99493442296212
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A better understanding of dispersion in natural streams requires knowledge of
longitudinal dispersion coefficient(LDC). Various methods have been proposed
for predictions of LDC. Those studies can be grouped into three types:
analytical, statistical and ML-driven researches(Implicit and explicit).
However, a comprehensive evaluation of them is still lacking. In this paper, we
first present an in-depth analysis of those methods and find out their defects.
This is carried out on an extensive database composed of 660 samples of
hydraulic and channel properties worldwide. The reliability and
representativeness of utilized data are enhanced through the deployment of the
Subset Selection of Maximum Dissimilarity(SSMD) for testing set selection and
the Inter Quartile Range(IQR) for removal of the outlier. The evaluation
reveals the rank of those methods as: ML-driven method > the statistical method
> the analytical method. Whereas implicit ML-driven methods are black-boxes in
nature, explicit ML-driven methods have more potential in prediction of LDC.
Besides, overfitting is a universal problem in existing models. Those models
also suffer from a fixed parameter combination. To establish an interpretable
model for LDC prediction with higher performance, we then design a novel
symbolic regression method called evolutionary symbolic regression
network(ESRN). It is a combination of genetic algorithms and neural networks.
Strategies are introduced to avoid overfitting and explore more parameter
combinations. Results show that the ESRN model has superiorities over other
existing symbolic models in performance. The proposed model is suitable for
practical engineering problems due to its advantage in low requirement of
parameters (only w and U* are required). It can provide convincing solutions
for situations where the field test cannot be carried out or limited field
information can be obtained.
- Abstract（参考訳）: 自然流の分散をよりよく理解するには、長手分散係数(LDC)の知識が必要である。
LDCの予測には様々な方法が提案されている。
これらの研究は分析学、統計学、ML駆動研究の3つのタイプに分類することができる。
しかし、その総合的な評価はまだ不十分である。
本稿では,まずこれらの手法の詳細な解析を行い,その欠陥を明らかにする。
これは世界中の660の油圧およびチャネル特性のサンプルからなる広範囲なデータベース上で実行される。
テストセット選択のためのSSMD(Subset Selection of Maxim Dissimilarity)と、外れ値の除去のためのIQR(Inter Quartile Range)を配置することにより、利用データの信頼性と代表性を向上させる。
ml-driven method > the statistical method > the analysis method。
暗黙的なML駆動法は本質的にブラックボックスであるのに対し、明示的なML駆動法はLCCの予測により多くの可能性を持っている。
さらに、オーバーフィッティングは既存のモデルでは普遍的な問題である。
これらのモデルも固定パラメータの組み合わせに悩まされている。
高い性能でLCC予測の解釈可能なモデルを確立するため,進化的記号回帰ネットワーク(ESRN)と呼ばれる新しい記号回帰手法を設計する。
遺伝的アルゴリズムとニューラルネットワークの組み合わせである。
オーバーフィッティングを避け、より多くのパラメータの組み合わせを探索するために戦略が導入される。
その結果,ESRNモデルは既存のシンボルモデルよりも性能が優れていることがわかった。
提案モデルは,パラメータの低要件(wとU*のみが要求される)の利点から,実用的な工学的問題に適している。
フィールドテストを実行できない、あるいは限られたフィールド情報を得ることができる状況に対して、説得力のあるソリューションを提供することができる。
関連論文リスト
- Scaling and renormalization in high-dimensional regression [72.59731158970894]
本稿では,様々な高次元リッジ回帰モデルの訓練および一般化性能の簡潔な導出について述べる。
本稿では,物理と深層学習の背景を持つ読者を対象に,これらのトピックに関する最近の研究成果の紹介とレビューを行う。
論文 参考訳（メタデータ） (2024-05-01T15:59:00Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Out of the Ordinary: Spectrally Adapting Regression for Covariate Shift [12.770658031721435]
本稿では,学習前のニューラル回帰モデルの最後の層の重みを適応させて,異なる分布から得られる入力データを改善する手法を提案する。
本稿では,この軽量なスペクトル適応手法により,合成および実世界のデータセットの分布外性能が向上することを示す。
論文 参考訳（メタデータ） (2023-12-29T04:15:58Z) - Toward Physically Plausible Data-Driven Models: A Novel Neural Network
Approach to Symbolic Regression [2.7071541526963805]
本稿では,ニューラルネットワークに基づく記号回帰手法を提案する。
非常に小さなトレーニングデータセットとシステムに関する事前知識に基づいて、物理的に妥当なモデルを構築する。
本研究では,TurtleBot 2移動ロボット,磁気操作システム,2つの抵抗の等価抵抗,アンチロックブレーキシステムの長手力の4つの試験システムに対するアプローチを実験的に評価した。
論文 参考訳（メタデータ） (2023-02-01T22:05:04Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Variational Inference with NoFAS: Normalizing Flow with Adaptive
Surrogate for Computationally Expensive Models [7.217783736464403]
マルコフ連鎖モンテカルロのようなサンプリングに基づくアプローチの使用は、それぞれの可能性評価が計算的に高価であるときに難解になる可能性がある。
変分推論と正規化フローを組み合わせた新しいアプローチは、潜在変数空間の次元と線形にしか成長しない計算コストによって特徴づけられる。
本稿では,ニューラルネットワークサロゲートモデルの正規化フローパラメータと重みを代わりに更新する最適化戦略である,適応サロゲートを用いた正規化フロー(NoFAS)を提案する。
論文 参考訳（メタデータ） (2021-08-28T14:31:45Z) - A Data-driven feature selection and machine-learning model benchmark for
the prediction of longitudinal dispersion coefficient [29.58577229101903]
縦方向分散(LD)係数の正確な予測は、関連するシミュレーションにおいて性能の飛躍をもたらすことができる。
本研究では, 蒸留した局所最適値と代表MLモデルとの数値比較により, 大域的最適特徴集合を提案した。
その結果,サポートベクタマシンは他のモデルよりも大幅に性能が向上していることがわかった。
論文 参考訳（メタデータ） (2021-07-16T09:50:38Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳（メタデータ） (2021-07-05T12:44:39Z) - Variable selection with missing data in both covariates and outcomes:
Imputation and machine learning [1.0333430439241666]
欠落したデータ問題は、健康研究で普遍的です。
機械学習はパラメトリックな仮定を弱める。
XGBoostとBARTは、さまざまな設定で最高のパフォーマンスを発揮します。
論文 参考訳（メタデータ） (2021-04-06T20:18:29Z) - Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。
本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。
このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文 参考訳（メタデータ） (2020-09-29T12:50:33Z) - Localized Debiased Machine Learning: Efficient Inference on Quantile
Treatment Effects and Beyond [69.83813153444115]
因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。
Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。
本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
論文 参考訳（メタデータ） (2019-12-30T14:42:52Z)
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。