論文の概要: Robust Regression with Highly Corrupted Data via Physics Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2210.10646v1
• Date: Wed, 19 Oct 2022 15:21:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 16:06:16.464480
• Title: Robust Regression with Highly Corrupted Data via Physics Informed Neural Networks
• Title（参考訳）: 物理インフォームドニューラルネットワークによる高精度データのロバスト回帰
• Authors: Wei Peng and Wen Yao and Weien Zhou and Xiaoya Zhang and Weijie Yao
• Abstract要約: 物理インフォームドニューラルネットワーク(PINN)は、2つの主要な問題のクラスを解決するために提案されている。 本研究では,ノイズおよび劣化測定データから支配方程式を復元するアルゴリズムの一般化性,精度,効率性を示す。
• 参考スコア（独自算出の注目度）: 4.642273921499256
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physics-informed neural networks (PINNs) have been proposed to solve two main classes of problems: data-driven solutions and data-driven discovery of partial differential equations. This task becomes prohibitive when such data is highly corrupted due to the possible sensor mechanism failing. We propose the Least Absolute Deviation based PINN (LAD-PINN) to reconstruct the solution and recover unknown parameters in PDEs - even if spurious data or outliers corrupt a large percentage of the observations. To further improve the accuracy of recovering hidden physics, the two-stage Median Absolute Deviation based PINN (MAD-PINN) is proposed, where LAD-PINN is employed as an outlier detector followed by MAD screening out the highly corrupted data. Then the vanilla PINN or its variants can be subsequently applied to exploit the remaining normal data. Through several examples, including Poisson's equation, wave equation, and steady or unsteady Navier-Stokes equations, we illustrate the generalizability, accuracy and efficiency of the proposed algorithms for recovering governing equations from noisy and highly corrupted measurement data.
• Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は、データ駆動型解と偏微分方程式のデータ駆動型発見という2つの主要な問題を解くために提案されている。 このタスクは、センサー機構の故障によりデータが高度に破損した場合に禁止される。 本研究では,PDEにおける解の再構成と未知のパラメータの復元を目的としたLast Absolute Deviation based PINN(LAD-PINN)を提案する。 隠れた物理を復元する精度をさらに高めるため, 2段階の中間絶対偏差に基づくPINN (MAD-PINN) を提案し, LAD-PINN を外乱検出器として使用し, 次いで高度に破損したデータをMADでスクリーニングした。 次に、バニラPINNまたはその変種を適用して、残りの正常データを利用する。 ポアソン方程式,波動方程式,定常あるいは非定常なナビエ-ストークス方程式など,いくつかの例を通じて,提案手法の一般化可能性,精度,効率について述べる。

関連論文リスト

• Data-Guided Physics-Informed Neural Networks for Solving Inverse Problems in Partial Differential Equations [3.231578125191615]
  物理インフォームドニューラルネットワーク(PINN)は、機械学習の大幅な進歩を示している。 PINNは偏微分方程式(PDE)における様々な前方および逆問題の解法に成功している。 本研究では、データ誘導物理インフォームドニューラルネットワーク(DG-PINN)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-15T15:47:24Z)
• Correcting model misspecification in physics-informed neural networks (PINNs) [2.07180164747172]
  本稿では,制御方程式の発見のために,PINNにおいて不特定な物理モデルを修正するための一般的な手法を提案する。 我々は、不完全モデルと観測データとの差をモデル化するために、他のディープニューラルネットワーク(DNN)を使用します。 提案手法は, 物理化学的, 生物学的プロセスがよく理解されていない問題における支配方程式の発見に, PINNの応用を拡大すると考えられる。
  論文  参考訳（メタデータ） (2023-10-16T19:25:52Z)
• Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
  ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。 我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。 我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
  論文  参考訳（メタデータ） (2023-10-02T03:25:32Z)
• Predictive Limitations of Physics-Informed Neural Networks in Vortex Shedding [0.0]
  2Dシリンダーのまわりの流れを見て、データのないPINNは渦の沈みを予測できないことに気付きました。 データ駆動型PINNは、トレーニングデータが利用可能である間のみ渦シーディングを表示するが、データフローが停止したときに定常状態のソリューションに戻す。 複素平面上のクープマン固有値の分布は、PINNが数値的に分散し、拡散することを示唆している。
  論文  参考訳（メタデータ） (2023-05-31T22:59:52Z)
• On the uncertainty analysis of the data-enabled physics-informed neural network for solving neutron diffusion eigenvalue problem [4.0275959184316825]
  いくつかの観点から中性子拡散固有値問題の計算におけるDEPINNの性能について検討する。 ノイズの影響を低減し,ノイズ先行データの利用を改善するために,革新的な区間損失関数を提案する。 本稿では, 原子炉物理の実用化に向けた改良型DEPINNの実現可能性を確認する。
  論文  参考訳（メタデータ） (2023-03-15T08:59:03Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Physics-Informed Neural Network Method for Parabolic Differential Equations with Sharply Perturbed Initial Conditions [68.8204255655161]
  急激な摂動初期条件を持つパラボラ問題に対する物理インフォームドニューラルネットワーク(PINN)モデルを開発した。 ADE解の局所的な大きな勾配は(PINNでよく見られる)ラテンハイパーキューブで方程式の残余の高効率なサンプリングを行う。 本稿では,他の方法により選択した量よりも精度の高いPINNソリューションを生成する損失関数における重みの基準を提案する。
  論文  参考訳（メタデータ） (2022-08-18T05:00:24Z)
• Auto-PINN: Understanding and Optimizing Physics-Informed Neural Architecture [77.59766598165551]
  物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。 本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。 標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
  論文  参考訳（メタデータ） (2022-05-27T03:24:31Z)
• Physics-Informed Neural Operator for Learning Partial Differential Equations [55.406540167010014]
  PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。 結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
  論文  参考訳（メタデータ） (2021-11-06T03:41:34Z)
• Bayesian Deep Learning for Partial Differential Equation Parameter Discovery with Sparse and Noisy Data [0.0]
  本研究では,ベイジアンニューラルネットワーク(BNN)を用いて,測定データからシステム全体の状態を復元する手法を提案する。 過度に適合することなく、様々な複雑さの物理学を正確に捉えることができることを示す。 我々は、物理学や非線形力学に適用されたいくつかの例について、我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2021-08-05T19:43:15Z)
• HYDRA: Hypergradient Data Relevance Analysis for Interpreting Deep Neural Networks [51.143054943431665]
  本稿では、深層ニューラルネットワーク(DNN)による予測をトレーニングデータの効果として解釈する高次データ関連分析(HYDRA)を提案する。 HYDRAは、トレーニング軌跡全体を通して、テストデータポイントに対するトレーニングデータの貢献を評価する。 さらに,HyDRAは,データのコントリビューションを正確に推定し,ノイズのあるデータラベルを検出することで,影響関数よりも優れていることを定量的に示す。
  論文  参考訳（メタデータ） (2021-02-04T10:00:13Z)

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。