論文の概要: Embed and Emulate: Learning to estimate parameters of dynamical systems
with uncertainty quantification
- arxiv url: http://arxiv.org/abs/2211.01554v1
- Date: Thu, 3 Nov 2022 01:59:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-04 14:38:28.587824
- Title: Embed and Emulate: Learning to estimate parameters of dynamical systems
with uncertainty quantification
- Title(参考訳): 埋め込みとエミュレーション:不確実性定量化を用いた力学系のパラメータ推定学習
- Authors: Ruoxi Jiang, Rebecca Willett
- Abstract要約: 本稿では,高次元力学系の不確実性を考慮したパラメータ推定のための学習エミュレータについて検討する。
私たちのタスクは、基礎となるパラメータの可能性のある値の範囲を正確に見積もることです。
結合した396次元のマルチスケールロレンツ96系において,本手法は典型的なパラメータ推定法よりも優れていた。
- 参考スコア(独自算出の注目度): 11.353411236854582
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper explores learning emulators for parameter estimation with
uncertainty estimation of high-dimensional dynamical systems. We assume access
to a computationally complex simulator that inputs a candidate parameter and
outputs a corresponding multichannel time series. Our task is to accurately
estimate a range of likely values of the underlying parameters. Standard
iterative approaches necessitate running the simulator many times, which is
computationally prohibitive. This paper describes a novel framework for
learning feature embeddings of observed dynamics jointly with an emulator that
can replace high-cost simulators for parameter estimation. Leveraging a
contrastive learning approach, our method exploits intrinsic data properties
within and across parameter and trajectory domains. On a coupled
396-dimensional multiscale Lorenz 96 system, our method significantly
outperforms a typical parameter estimation method based on predefined metrics
and a classical numerical simulator, and with only 1.19% of the baseline's
computation time. Ablation studies highlight the potential of explicitly
designing learned emulators for parameter estimation by leveraging contrastive
learning.
- Abstract(参考訳): 本稿では,高次元力学系の不確実性推定を伴うパラメータ推定のための学習エミュレータについて検討する。
候補パラメータを入力し、対応するマルチチャネル時系列を出力する計算複雑なシミュレータへのアクセスを想定する。
私たちのタスクは、基礎となるパラメータの可能性のある値の範囲を正確に見積もることです。
標準的な反復的アプローチはシミュレータを何度も実行する必要がある。
本稿では,パラメータ推定のための高コストシミュレータを置き換えるエミュレータとともに,観測力学の特徴埋め込みを学習するための新しいフレームワークについて述べる。
対照的な学習手法を用いることで,本手法はパラメータと軌道領域間の固有データ特性を利用する。
396次元多スケールロレンツ96系において,本手法は,事前定義されたメトリックスと古典数値シミュレータに基づく典型的なパラメータ推定法を著しく上回り,ベースラインの計算時間の1.19%しか持たない。
アブレーション研究は、コントラスト学習を利用したパラメータ推定のための学習エミュレータを明示的に設計する可能性を強調している。
関連論文リスト
- Parametric Learning of Time-Advancement Operators for Unstable Flame
Evolution [0.0]
本研究では、パラメトリック偏微分方程式(PDE)に対する時間適応演算子学習への機械学習の適用について検討する。
我々の焦点は、PDEパラメータを表す追加入力を処理するために既存の演算子学習方法を拡張することである。
目標は、短期的なソリューションを正確に予測し、堅牢な長期統計を提供する統一的な学習アプローチを作ることだ。
論文 参考訳(メタデータ) (2024-02-14T18:12:42Z) - Deep Learning of Dynamical System Parameters from Return Maps as Images [0.0]
本稿では,ディープラーニング技術を用いたシステム識別手法を提案する。
離散および連続時間力学系のパラメータを推定するために教師付き学習手法を用いる。
論文 参考訳(メタデータ) (2023-06-20T03:23:32Z) - Stochastic Marginal Likelihood Gradients using Neural Tangent Kernels [78.6096486885658]
線形化されたラプラス近似に下界を導入する。
これらの境界は漸進的な最適化が可能であり、推定精度と計算複雑性とのトレードオフを可能にする。
論文 参考訳(メタデータ) (2023-06-06T19:02:57Z) - Towards black-box parameter estimation [0.0]
弱いパラメータ構造仮定に基づいて統計モデルのパラメータを推定する新しいブラックボックス手法を開発した。
頻繁な頻度で構造化された確率に対して、これは、広範囲なシミュレートされたデータベース上でディープニューラルネットワークを事前トレーニングすることで達成される。
論文 参考訳(メタデータ) (2023-03-27T09:39:38Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳(メタデータ) (2022-09-16T19:15:50Z) - Probabilistic Inference of Simulation Parameters via Parallel
Differentiable Simulation [34.30381620584878]
実世界の計測を正確に再現するには、シミュレーターが適切な物理系のモデルを持つ必要がある。
ベイズ推定手法を用いてパラメータを推定する後者の問題に対処する。
我々は、GPUコード生成と微分可能シミュレーションを利用して、多くの粒子に対するその可能性とその勾配を並列に評価する。
論文 参考訳(メタデータ) (2021-09-18T03:05:44Z) - Neural Networks for Parameter Estimation in Intractable Models [0.0]
本稿では,最大安定過程からパラメータを推定する方法を示す。
モデルシミュレーションのデータを入力として使用し,統計的パラメータを学習するために深層ニューラルネットワークを訓練する。
論文 参考訳(メタデータ) (2021-07-29T21:59:48Z) - Physics-constrained deep neural network method for estimating parameters
in a redox flow battery [68.8204255655161]
バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。
そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。
また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
論文 参考訳(メタデータ) (2021-06-21T23:42:58Z) - 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) - A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。
我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。
我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
論文 参考訳(メタデータ) (2020-11-17T22:24:26Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳(メタデータ) (2020-04-21T23:09:55Z)
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。