Fugu-MT 論文翻訳(概要): More Efficient Identifiability Verification in ODE Models by Reducing Non-Identifiability

論文の概要: More Efficient Identifiability Verification in ODE Models by Reducing Non-Identifiability

arxiv url: http://arxiv.org/abs/2204.01623v1
Date: Mon, 4 Apr 2022 16:12:48 GMT
ステータス: 処理完了
システム内更新日: 2022-04-05 17:41:04.522951
Title: More Efficient Identifiability Verification in ODE Models by Reducing Non-Identifiability
Title（参考訳）: 非識別性低減によるodeモデルのより効率的な識別可能性検証
Authors: Ilia Ilmer, Alexey Ovchinnikov, Gleb Pogudin, Pedro Soto
Abstract要約: 特定不能なパラメータを排除し,グローバルな識別可能性クエリを高速化する手法を提案する。提案手法は,計算機代数フレームワーク間の性能を著しく向上させる。
参考スコア（独自算出の注目度）: 1.1470070927586016
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Structural global parameter identifiability indicates whether one can determine a parameter's value from given inputs and outputs in the absence of noise. If a given model has parameters for which there may be infinitely many values, such parameters are called non-identifiable. We present a procedure for accelerating a global identifiability query by eliminating algebraically independent non-identifiable parameters. Our proposed approach significantly improves performance across different computer algebra frameworks.
Abstract（参考訳）: 構造的大域的パラメータ識別性は、与えられた入力と出力からノイズがない場合にパラメータの値を決定できるかどうかを示す。与えられたモデルが無限に多くの値を持つパラメータを持つ場合、そのようなパラメータは非識別可能と呼ばれる。本稿では,代数的独立な非識別パラメータを除去し,グローバルidentifiabilityクエリを高速化する手法を提案する。提案手法は異なる計算機代数フレームワークの性能を大幅に向上させる。

関連論文リスト

On the Parameter Identifiability of Partially Observed Linear Causal Models [23.08796869216895]
因果構造と部分的に観察されたデータからエッジ係数を復元できるかどうかを検討する。部分的に観察された線形因果モデルにおいて,パラメータの非決定性は3種類ある。本稿では,潜伏変数の分散不確定性に特定の方法で対処する,確率に基づくパラメータ推定手法を提案する。
論文参考訳（メタデータ） (2024-07-24T03:43:55Z)
Winning Prize Comes from Losing Tickets: Improve Invariant Learning by Exploring Variant Parameters for Out-of-Distribution Generalization [76.27711056914168]
Out-of-Distribution (OOD) 一般化は、分散固有の特徴に適合することなく、様々な環境によく適応する堅牢なモデルを学ぶことを目的としている。 LTH(Lottery Ticket hypothesis)に基づく最近の研究は、学習目標を最小化し、タスクに重要なパラメータのいくつかを見つけることでこの問題に対処している。 Invariant Learning (EVIL) における変数探索手法を提案する。
論文参考訳（メタデータ） (2023-10-25T06:10:57Z)
Parameter Identification for Partial Differential Equations with Spatiotemporal Varying Coefficients [5.373009527854677]
種々の偏微分方程式によって制御される多状態系のパラメータ同定を容易にする枠組みを提案する。我々のフレームワークは、制約付き自己適応型ニューラルネットワークと、サブネットワーク物理インフォームドニューラルネットワークの2つの統合コンポーネントで構成されている。我々は,時間変化パラメータを持つ1次元バーガースの場合と空間変化パラメータを持つ2次元波動方程式の2つの数値ケースにおいて,本フレームワークの有効性を実証した。
論文参考訳（メタデータ） (2023-06-30T07:17:19Z)
Posterior Collapse and Latent Variable Non-identifiability [54.842098835445]
柔軟性を犠牲にすることなく識別性を強制する深層生成モデルである,潜時同定可能な変分オートエンコーダのクラスを提案する。合成および実データ全体にわたって、潜在識別可能な変分オートエンコーダは、後方崩壊を緩和し、データの有意義な表現を提供する既存の方法より優れている。
論文参考訳（メタデータ） (2023-01-02T06:16:56Z)
On the Effectiveness of Parameter-Efficient Fine-Tuning [79.6302606855302]
現在、多くの研究が、パラメータのごく一部のみを微調整し、異なるタスク間で共有されるパラメータのほとんどを保持することを提案している。これらの手法は, いずれも細粒度モデルであり, 新たな理論的解析を行う。我々の理論に根ざした空間性の有効性にもかかわらず、調整可能なパラメータをどう選ぶかという問題はまだ未解決のままである。
論文参考訳（メタデータ） (2022-11-28T17:41:48Z)
An Accelerated Doubly Stochastic Gradient Method with Faster Explicit Model Identification [97.28167655721766]
本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
論文参考訳（メタデータ） (2022-08-11T22:27:22Z)
On the Parameter Combinations That Matter and on Those That do Not [0.0]
モデルパラメータの非識別性を特徴付けるためのデータ駆動型手法を提案する。 Diffusion Mapsとその拡張を利用することで、動的出力の振る舞いを特徴づけるために必要なパラメータの最小の組み合わせを発見する。
論文参考訳（メタデータ） (2021-10-13T13:46:23Z)
Towards a Unified View of Parameter-Efficient Transfer Learning [108.94786930869473]
下流タスクにおける大規模事前学習言語モデルの微調整は、NLPにおけるデファクト学習パラダイムとなっている。近年の研究では,少数の(外部)パラメータのみを微調整するだけで高い性能が得られるパラメータ効率の伝達学習法が提案されている。我々は、最先端のパラメータ効率変換学習手法の設計を分解し、それらの相互接続を確立する統一的なフレームワークを提案する。
論文参考訳（メタデータ） (2021-10-08T20:22:26Z)
Learning System Parameters from Turing Patterns [0.0]
チューリング機構は、反応拡散過程における自発的対称性の破れによる空間パターンの出現を記述する。本稿では,観測されたチューリングパターンからチューリングパラメータ値を予測する手法を提案する。
論文参考訳（メタデータ） (2021-08-19T08:04:37Z)
Robust Identifiability in Linear Structural Equation Models of Causal Inference [14.631031307379931]
線形構造方程式モデル(LSEM)の文脈における観測データからのロバストパラメータ推定の問題点を考察する。本研究では、ロバストな識別性が保たれるモデルパラメータの条件を提案し、これにより、先行作業に必要なパスの制限を除去する。
論文参考訳（メタデータ） (2020-07-14T07:32:36Z)
Orthogonal Statistical Learning [49.55515683387805]
人口リスクが未知のニュアンスパラメータに依存するような環境では,統計学習における非漸近的過剰リスク保証を提供する。人口リスクがNeymanityと呼ばれる条件を満たす場合,メタアルゴリズムによって達成される過剰リスクに対するニュアンス推定誤差の影響は2次であることを示す。
論文参考訳（メタデータ） (2019-01-25T02:21:24Z)

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。