Fugu-MT 論文翻訳(概要): Hierarchical model reduction driven by machine learning for parametric advection-diffusion-reaction problems in the presence of noisy data

論文の概要: Hierarchical model reduction driven by machine learning for parametric advection-diffusion-reaction problems in the presence of noisy data

arxiv url: http://arxiv.org/abs/2204.00538v1
Date: Fri, 1 Apr 2022 16:02:05 GMT
ステータス: 処理完了
システム内更新日: 2022-04-04 15:15:34.868065
Title: Hierarchical model reduction driven by machine learning for parametric advection-diffusion-reaction problems in the presence of noisy data
Title（参考訳）: 雑音データの存在下でのパラメトリックな対流拡散反応問題に対する機械学習による階層モデル削減
Authors: Massimiliano Lupo Pasini, Simona Perotto
Abstract要約: 本稿では,雑音データの存在下でのパラメトリック楕円問題に対する信頼度低減モデルを生成するための新しい手法を提案する。ノイズの影響を受ければ,方向方向のHiPODの精度が低下することを示す。我々は、無関係なノイズからデータ中の関連する物理的特徴をよりよく識別する機械学習フィッティングモデルに取って代わる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a new approach to generate a reliable reduced model for a parametric elliptic problem, in the presence of noisy data. The reference model reduction procedure is the directional HiPOD method, which combines Hierarchical Model reduction with a standard Proper Orthogonal Decomposition, according to an offline/online paradigm. In this paper we show that directional HiPOD looses in terms of accuracy when problem data are affected by noise. This is due to the interpolation driving the online phase, since it replicates, by definition, the noise trend. To overcome this limit, we replace interpolation with Machine Learning fitting models which better discriminate relevant physical features in the data from irrelevant unstructured noise. The numerical assessment, although preliminary, confirms the potentialities of the new approach.
Abstract（参考訳）: 本稿では,雑音データの存在下で,パラメトリック楕円問題に対する信頼度低減モデルを生成する新しい手法を提案する。基準モデル縮小法は、オフライン/オンラインのパラダイムに従って階層モデル還元と標準の固有直交分解を組み合わせた方向HiPOD法である。本稿では,問題データがノイズの影響を受ければ,方向方向のHiPODが精度的にゆるめられることを示す。これは、オンラインフェーズを駆動する補間によるもので、定義上はノイズの傾向を再現するためである。この限界を克服するため、無関係な非構造雑音からデータ中の関連する物理的特徴を識別する機械学習適合モデルに補間を置き換える。予備的な数値評価は、新しいアプローチの可能性を確認するものである。

関連論文リスト

SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
論文参考訳（メタデータ） (2024-08-19T17:32:15Z)
DiffusionPCR: Diffusion Models for Robust Multi-Step Point Cloud Registration [73.37538551605712]
ポイントクラウド登録(PCR)は、2つのポイントクラウド間の相対的な厳密な変換を推定する。本稿では, PCR を拡散確率過程として定式化し, ノイズ変換を基礎的真理にマッピングする。実験ではDiffusionPCRの有効性を示し,3Dおよび3DLoMatchに対する最先端の登録リコール率(95.3%/81.6%)を得た。
論文参考訳（メタデータ） (2023-12-05T18:59:41Z)
Calibrating dimension reduction hyperparameters in the presence of noise [0.4143603294943439]
t-SNE と UMAP は、性能を評価する際に信号とノイズの組み合わせとしてデータを認識できない。パープレキシティに対する事前の推奨値を示し、n_neighborsは小さすぎてノイズが過度に収まることを示す。
論文参考訳（メタデータ） (2023-12-05T18:16:17Z)
Seismic Data Interpolation via Denoising Diffusion Implicit Models with Coherence-corrected Resampling [7.755439545030289]
U-Netのようなディープラーニングモデルは、トレーニングとテストの欠落パターンが一致しない場合、しばしばパフォーマンスが低下する。マルチモーダル拡散モデルに基づく新しいフレームワークを提案する。推論フェーズでは,サンプリングステップの数を減らし,暗黙的拡散モデルを導入する。露呈された痕跡と欠落した痕跡との一貫性と連続性を高めるために,我々は2つの戦略を提案する。
論文参考訳（メタデータ） (2023-07-09T16:37:47Z)
Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
論文参考訳（メタデータ） (2023-04-22T15:32:59Z)
A DeepONet multi-fidelity approach for residual learning in reduced order modeling [0.0]
本稿では,多面的視点とDeepONetsを利用して,縮小順序モデルの精度を高める新しい手法を提案する。モデル削減を機械学習残差学習と組み合わせて、上記の誤りをニューラルネットワークで学習し、新しい予測のために推論することを提案する。
論文参考訳（メタデータ） (2023-02-24T15:15:07Z)
Denoising Deep Generative Models [23.19427801594478]
様相に基づく深層生成モデルは、多様体仮説の下での病理学的挙動を示すことが示されている。この問題に対処するための2つの手法を提案する。
論文参考訳（メタデータ） (2022-11-30T19:00:00Z)
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)
Nonlinear proper orthogonal decomposition for convection-dominated flows [0.0]
そこで本稿では,自動エンコーダと長期記憶ネットワークを組み合わせたエンドツーエンドのガレルキンフリーモデルを提案する。我々の手法は精度を向上するだけでなく、トレーニングやテストの計算コストを大幅に削減する。
論文参考訳（メタデータ） (2021-10-15T18:05:34Z)
MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文参考訳（メタデータ） (2021-06-03T12:59:16Z)
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)

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。