論文の概要: Discovering PDEs from Multiple Experiments
- arxiv url: http://arxiv.org/abs/2109.11939v1
- Date: Fri, 24 Sep 2021 12:56:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-27 20:36:17.073301
- Title: Discovering PDEs from Multiple Experiments
- Title(参考訳): 複数の実験からpdesの発見
- Authors: Georges Tod, Gert-Jan Both, Remy Kusters
- Abstract要約: ランダム化適応型グループであるLassoスポーシティ推定器を導入し、グループ化されたスポーシティを促進し、深層学習に基づくPDE発見フレームワークで実装する。
実験の結果,複数の高雑音データセットからより一般化可能なPDEが検出できた。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated model discovery of partial differential equations (PDEs) usually
considers a single experiment or dataset to infer the underlying governing
equations. In practice, experiments have inherent natural variability in
parameters, initial and boundary conditions that cannot be simply averaged out.
We introduce a randomised adaptive group Lasso sparsity estimator to promote
grouped sparsity and implement it in a deep learning based PDE discovery
framework. It allows to create a learning bias that implies the a priori
assumption that all experiments can be explained by the same underlying PDE
terms with potentially different coefficients. Our experimental results show
more generalizable PDEs can be found from multiple highly noisy datasets, by
this grouped sparsity promotion rather than simply performing independent model
discoveries.
- Abstract(参考訳): 偏微分方程式(PDE)の自動モデル発見は通常、基礎となる支配方程式を推測するために単一の実験またはデータセットを考える。
実際には、実験はパラメータ、初期条件、境界条件に固有の自然変数を持ち、単純に平均化できない。
ランダム化適応型グループであるLassoスポーシティ推定器を導入し、グループ化されたスポーシティを促進し、深層学習に基づくPDE発見フレームワークで実装する。
これは、全ての実験が、潜在的に異なる係数を持つ同じ基礎となるPDE項で説明できるという事前仮定を示す学習バイアスを作成することができる。
実験の結果、より一般化可能なpdesは、単に独立したモデル発見を行うのではなく、このグループ化されたスパーシティ促進によって、複数の騒がしいデータセットから発見できることがわかった。
関連論文リスト
- Deep Equilibrium Based Neural Operators for Steady-State PDEs [100.88355782126098]
定常PDEに対する重み付けニューラルネットワークアーキテクチャの利点について検討する。
定常PDEの解を直接解くFNOアーキテクチャの深い平衡変種であるFNO-DEQを提案する。
論文 参考訳(メタデータ) (2023-11-30T22:34:57Z) - Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳(メタデータ) (2023-09-28T13:04:11Z) - Latent SDEs on Homogeneous Spaces [9.361372513858043]
偏微分方程式(SDE)の解によって観測された幾何学的過程が支配される潜在変数モデルにおける変分ベイズ推論の問題を考察する。
実験により,提案型の潜伏SDEを既存の一段階のオイラー・丸山スキームを用いて効率的に学習できることが示されている。
論文 参考訳(メタデータ) (2023-06-28T14:18:52Z) - Intervention Generalization: A View from Factor Graph Models [7.117681268784223]
操作されたシステムの分布の因子化に関する最小限の仮定に基づいて、過去の実験から新しい条件への飛躍をいかに保証するかを詳しく検討する。
仮定された$textitinterventional Factor Model$ (IFM) は必ずしも情報であるとは限らないが、不測のコンバウンディングとフィードバックのメカニズムを明示的にモデル化する必要性を便利に抽象化する。
論文 参考訳(メタデータ) (2023-06-06T21:44:23Z) - CONFIDE: Contextual Finite Differences Modelling of PDEs [9.537960917804993]
本稿では、以前に見つからなかったダイナミクスによって生成されたデータサンプルから明示的なPDEを推測する手法を提案する。
トレーニングフェーズは方程式の形式に関する知識を微分スキームと統合し、推論フェーズはデータサンプルに適合するPDEを生成する。
論文 参考訳(メタデータ) (2023-03-28T08:55:29Z) - Differentiable Invariant Causal Discovery [106.87950048845308]
観測データから因果構造を学ぶことは、機械学習の基本的な課題である。
本稿では,不特定変分因果解法(DICD)を提案する。
合成および実世界のデータセットに関する大規模な実験は、DICDがSHDの36%まで最先端の因果発見手法より優れていることを検証している。
論文 参考訳(メタデータ) (2022-05-31T09:29:07Z) - Pseudo-Spherical Contrastive Divergence [119.28384561517292]
エネルギーベースモデルの最大学習確率を一般化するために,擬球面コントラスト分散(PS-CD)を提案する。
PS-CDは難解な分割関数を避け、学習目的の一般化されたファミリーを提供する。
論文 参考訳(メタデータ) (2021-11-01T09:17:15Z) - Loss function based second-order Jensen inequality and its application
to particle variational inference [112.58907653042317]
粒子変分推論(PVI)は、後部分布の実験的近似としてモデルのアンサンブルを用いる。
PVIは、最適化されたモデルの多様性を保証するために、各モデルを反発力で反復的に更新する。
我々は,新たな一般化誤差を導出し,モデルの多様性を高めて低減できることを示す。
論文 参考訳(メタデータ) (2021-06-09T12:13:51Z) - Physics-Guided Discovery of Highly Nonlinear Parametric Partial
Differential Equations [29.181177365252925]
科学データに適合する偏微分方程式(PDE)は、説明可能なメカニズムで物理法則を表現することができる。
本稿では,観測知識を符号化し,基本的な物理原理と法則を取り入れた物理誘導学習法を提案する。
実験の結果,提案手法はデータノイズに対してより頑健であり,推定誤差を大きなマージンで低減できることがわかった。
論文 参考訳(メタデータ) (2021-06-02T11:24:49Z) - Bayesian Numerical Methods for Nonlinear Partial Differential Equations [4.996064986640264]
非線形偏微分方程式(PDE)は、相対的な視点から大きな課題を呈する。
本稿では、線形PDEに関する初期の研究を、非線形PDEによって指定された初期値問題の一般クラスに拡張する。
PDEの解の適切な先行モデルが、Mat'ern過程のサンプル経路特性の新しい理論的解析を用いて同定される。
論文 参考訳(メタデータ) (2021-04-22T14:02:10Z) - Stochastic Normalizing Flows [52.92110730286403]
微分方程式(SDE)を用いた最大推定と変分推論のための正規化フロー(VI)を導入する。
粗い経路の理論を用いて、基礎となるブラウン運動は潜在変数として扱われ、近似され、神経SDEの効率的な訓練を可能にする。
これらのSDEは、与えられたデータセットの基盤となる分布からサンプリングする効率的なチェーンを構築するために使用することができる。
論文 参考訳(メタデータ) (2020-02-21T20:47:55Z)
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。