論文の概要: StAnD: A Dataset of Linear Static Analysis Problems

• arxiv url: http://arxiv.org/abs/2201.05356v1
• Date: Fri, 14 Jan 2022 09:31:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-17 20:16:48.948891
• Title: StAnD: A Dataset of Linear Static Analysis Problems
• Title（参考訳）: StAnD:線形静的解析問題のデータセット
• Authors: Luca Grementieri, Francesco Finelli
• Abstract要約: このデータセットは、静的解析問題の最大のデータセットである。 これはスパース線形系の最初の公開データセット(行列と現実的定数項の両方を含む)である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Static analysis of structures is a fundamental step for determining the stability of structures. Both linear and non-linear static analyses consist of the resolution of sparse linear systems obtained by the finite element method. The development of fast and optimized solvers for sparse linear systems appearing in structural engineering requires data to compare existing approaches, tune algorithms or to evaluate new ideas. We introduce the Static Analysis Dataset (StAnD) containing 303.000 static analysis problems obtained applying realistic loads to simulated frame structures. Along with the dataset, we publish a detailed benchmark comparison of the running time of existing solvers both on CPU and GPU. We release the code used to generate the dataset and benchmark existing solvers on Github. To the best of our knowledge, this is the largest dataset for static analysis problems and it is the first public dataset of sparse linear systems (containing both the matrix and a realistic constant term).
• Abstract（参考訳）: 構造物の静的解析は構造物の安定性を決定するための基本的なステップである。 線形および非線形静的解析は、有限要素法により得られるスパース線形系の分解から成り立っている。 構造工学に現れる疎線形系に対する高速で最適化された解法の開発には、既存のアプローチを比較したり、アルゴリズムをチューニングしたり、新しいアイデアを評価するためのデータが必要である。 本研究では,シミュレーションフレーム構造に実負荷を適用した303.000の静的解析問題を含む静的解析データセット(stand)を提案する。 データセットとともに、CPUとGPUの両方で既存のソルバの実行時間を詳細なベンチマークで比較する。 Githubでデータセットを生成し、既存のソルバをベンチマークするために使用されるコードをリリースします。 私たちの知る限りでは、これは静的解析問題の最大のデータセットであり、スパース線形系(行列と現実的な定数項の両方を含む)の最初の公開データセットである。

関連論文リスト

• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
  提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。 大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T14:30:06Z)
• A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
  本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。 一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T23:31:25Z)
• A Fast Parallel Tensor Decomposition with Optimal Stochastic Gradient Descent: an Application in Structural Damage Identification [1.536989504296526]
  本稿では, CANDECOMP/PARAFAC (CP) 分解を mathbbR I_1 times dots times I_N $ で並列化する新しいアルゴリズム FP-CPD を提案する。
  論文  参考訳（メタデータ） (2021-11-04T05:17:07Z)
• Learning Time-Varying Graphs from Online Data [39.21234914444073]
  本研究では,オンラインデータから時間変化グラフを学習するアルゴリズムフレームワークを提案する。 モデルに依存しない、すなわち抽象的な定式化において理論的に解析することができる。 フレームワークを3つのよく知られたグラフ学習モデル、すなわちガウス図形モデル(GGM)、構造方程式モデル(SEM)、滑らか性に基づくモデル(SBM)に特化する。
  論文  参考訳（メタデータ） (2021-10-21T09:46:44Z)
• Estimating leverage scores via rank revealing methods and randomization [50.591267188664666]
  任意のランクの正方形密度あるいはスパース行列の統計レバレッジスコアを推定するアルゴリズムについて検討した。 提案手法は,高密度およびスパースなランダム化次元性還元変換の合成と階調明細化法を組み合わせることに基づく。
  論文  参考訳（メタデータ） (2021-05-23T19:21:55Z)
• Data-Driven Reachability Analysis from Noisy Data [5.949143454441281]
  与えられたシステムモデルなしでノイズの多いデータから到達可能な集合を直接計算する問題を検討する。 いくつかのリーチビリティアルゴリズムが提示され、その精度は、データを生成する基盤システムに依存することが示されている。
  論文  参考訳（メタデータ） (2021-05-15T14:11:57Z)
• Analysis of Truncated Orthogonal Iteration for Sparse Eigenvector Problems [78.95866278697777]
  本研究では,多元的固有ベクトルを分散制約で同時に計算するTruncated Orthogonal Iterationの2つの変種を提案する。 次に,我々のアルゴリズムを適用して,幅広いテストデータセットに対するスパース原理成分分析問題を解く。
  論文  参考訳（メタデータ） (2021-03-24T23:11:32Z)
• A Forward Backward Greedy approach for Sparse Multiscale Learning [0.0]
  本稿では,カーネルが重み付きマルチスケール構造を持つRKHS(Reproduction Kernel Hilbert space)を提案する。 この空間における近似を生成するために、多スケール構造を持つ基底関数の集合をゆるやかに構成できる実用的なフォワードバックワードアルゴリズムを提供する。 我々は,様々なシミュレーションと実データ集合を用いて,アプローチの性能を解析する。
  論文  参考訳（メタデータ） (2021-02-14T04:22:52Z)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)
• Data-Driven Reachability Analysis Using Matrix Zonotopes [5.6184230760292175]
  ノイズの多いデータからデータ駆動型リーチビリティ解析手法を提案する。 まず,線形時間不変系の到達可能な集合を過度に近似するアルゴリズムを提案する。 次に、リプシッツ非線形系の拡張を導入する。
  論文  参考訳（メタデータ） (2020-11-17T06:48:23Z)

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。