論文の概要: Automated differential equation solver based on the parametric
approximation optimization
- arxiv url: http://arxiv.org/abs/2205.05383v1
- Date: Wed, 11 May 2022 10:06:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-12 22:01:35.943914
- Title: Automated differential equation solver based on the parametric
approximation optimization
- Title(参考訳): パラメトリック近似最適化に基づく微分方程式の自動解法
- Authors: Alexander Hvatov and Tatiana Tikhonova
- Abstract要約: 本稿では,最適化アルゴリズムを用いてパラメータ化近似を用いた解を求める手法を提案する。
アルゴリズムのパラメータを変更することなく、幅広い種類の方程式を自動で解くことができる。
- 参考スコア(独自算出の注目度): 77.34726150561087
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The numerical methods for differential equation solution allow obtaining a
discrete field that converges towards the solution if the method is applied to
the correct problem. Nevertheless, the numerical methods have the restricted
class of the equations, on which the convergence with a given parameter set or
range is proved. Only a few "cheap and dirty" numerical methods converge on a
wide class of equations without parameter tuning with the lower approximation
order price. The article presents a method that uses an optimization algorithm
to obtain a solution using the parameterized approximation. The result may not
be as precise as an expert one. However, it allows solving the wide class of
equations in an automated manner without the algorithm's parameters change.
- Abstract(参考訳): 微分方程式解の数値解法は、その方法が正しい問題に適用された場合、解に向かって収束する離散場を得ることができる。
それにもかかわらず、数値的手法は方程式の制限されたクラスを持ち、与えられたパラメータ集合や範囲との収束が証明される。
少数の「チープで汚い」数値法のみが、より低い近似順序価格でパラメータチューニングをせずに幅広い種類の方程式に収束する。
本稿では,最適化アルゴリズムを用いてパラメータ化近似を用いた解を求める手法を提案する。
その結果は専門家ほど正確ではないかもしれない。
しかし、アルゴリズムのパラメータが変更されることなく、多種多様な方程式を自動で解くことができる。
関連論文リスト
- Stochastic Optimization for Non-convex Problem with Inexact Hessian
Matrix, Gradient, and Function [99.31457740916815]
信頼領域(TR)と立方体を用いた適応正則化は、非常に魅力的な理論的性質を持つことが証明されている。
TR法とARC法はヘッセン関数,勾配関数,関数値の非コンパクトな計算を同時に行うことができることを示す。
論文 参考訳(メタデータ) (2023-10-18T10:29:58Z) - Constrained Optimization via Exact Augmented Lagrangian and Randomized
Iterative Sketching [55.28394191394675]
等式制約付き非線形非IBS最適化問題に対する適応的不正確なニュートン法を開発した。
ベンチマーク非線形問題,LVMのデータによる制約付きロジスティック回帰,PDE制約問題において,本手法の優れた性能を示す。
論文 参考訳(メタデータ) (2023-05-28T06:33:37Z) - Towards a machine learning pipeline in reduced order modelling for
inverse problems: neural networks for boundary parametrization,
dimensionality reduction and solution manifold approximation [0.0]
逆問題、特に偏微分方程式の文脈では、膨大な計算負荷を必要とする。
ニューラルネットワークを用いた数値パイプラインを用いて,問題の境界条件のパラメータ化を行う。
これは、インレット境界のアドホックなパラメトリゼーションを提供することができ、迅速に最適解に収束する一般的な枠組みに由来する。
論文 参考訳(メタデータ) (2022-10-26T14:53:07Z) - Explicit Second-Order Min-Max Optimization Methods with Optimal
Convergence Guarantee [96.71652414591051]
本研究では,非制約問題に対するグローバルなサドル点を求めるために,不正確なニュートン型正規化手法を提案し,解析する。
提案アルゴリズムは,有界集合内に留まるイテレートを生成し,制限されたイテレート関数の項で$O(-2/3)$ギャップに収束することを示す。
論文 参考訳(メタデータ) (2022-10-23T21:24:37Z) - A Globally Convergent Gradient-based Bilevel Hyperparameter Optimization
Method [0.0]
ハイパーパラメータ最適化問題の解法として,勾配に基づく双レベル法を提案する。
提案手法は, より低い計算量に収束し, テストセットをより良く一般化するモデルに導かれることを示す。
論文 参考訳(メタデータ) (2022-08-25T14:25:16Z) - Numerical Solution of Stiff Ordinary Differential Equations with Random
Projection Neural Networks [0.0]
正規微分方程式(ODE)の解に対する乱射影ニューラルネットワーク(RPNN)に基づく数値スキームを提案する。
提案手法は剛性の影響を受けずに高い数値近似精度を示し,textttode45 と textttode15s の関数よりも優れていた。
論文 参考訳(メタデータ) (2021-08-03T15:49:17Z) - Optimal oracle inequalities for solving projected fixed-point equations [53.31620399640334]
ヒルベルト空間の既知の低次元部分空間を探索することにより、確率観測の集合を用いて近似解を計算する手法を検討する。
本稿では,線形関数近似を用いた政策評価問題に対する時間差分学習手法の誤差を正確に評価する方法について述べる。
論文 参考訳(メタデータ) (2020-12-09T20:19:32Z) - Sparse Approximate Solutions to Max-Plus Equations with Application to
Multivariate Convex Regression [34.99564569478268]
我々は,任意の$ell_p$近似誤差に対して,そのような解を効率よく最小時間で得る方法を示す。
本稿では, 凸関数を一括フィッティングする手法を提案し, 最適性を保証するとともに, 略スパースアフィン領域を提案する。
論文 参考訳(メタデータ) (2020-11-06T15:17:00Z) - Implicit differentiation of Lasso-type models for hyperparameter
optimization [82.73138686390514]
ラッソ型問題に適した行列逆転のない効率的な暗黙微分アルゴリズムを提案する。
提案手法は,解の空間性を利用して高次元データにスケールする。
論文 参考訳(メタデータ) (2020-02-20T18:43:42Z) - Scalable Gradients for Stochastic Differential Equations [40.70998833051251]
随伴感度法は 通常の微分方程式の勾配を
我々はこの手法を微分方程式に一般化し、時間効率と定数メモリ計算を可能にする。
提案手法は,ネットワークによって定義されたニューラルダイナミクスに適合し,50次元モーションキャプチャーデータセット上での競合性能を実現する。
論文 参考訳(メタデータ) (2020-01-05T23:05:55Z)
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。