論文の概要: On the functional form of the radial acceleration relation
- arxiv url: http://arxiv.org/abs/2301.04368v1
- Date: Wed, 11 Jan 2023 09:26:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 18:04:37.481279
- Title: On the functional form of the radial acceleration relation
- Title（参考訳）: 放射加速度関係の機能形式について
- Authors: Harry Desmond, Deaglan J. Bartlett, Pedro G. Ferreira
- Abstract要約: 我々は、後期型の銀河力学にExhaustive Symbolic Regressionを適用した。
最高の関数は通常$g_textobspropto g_textbar$ at high $g_textbar$を満たす。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We apply a new method for learning equations from data -- Exhaustive Symbolic
Regression (ESR) -- to late-type galaxy dynamics as encapsulated in the radial
acceleration relation (RAR). Relating the centripetal acceleration due to
baryons, $g_\text{bar}$, to the total dynamical acceleration, $g_\text{obs}$,
the RAR has been claimed to manifest a new law of nature due to its regularity
and tightness, in agreement with Modified Newtonian Dynamics (MOND). Fits to
this relation have been restricted by prior expectations to particular
functional forms, while ESR affords an exhaustive and nearly prior-free search
through functional parameter space to identify the equations optimally trading
accuracy with simplicity. Working with the SPARC data, we find the best
functions typically satisfy $g_\text{obs} \propto g_\text{bar}$ at high
$g_\text{bar}$, although the coefficient of proportionality is not clearly
unity and the deep-MOND limit $g_\text{obs} \propto \sqrt{g_\text{bar}}$ as
$g_\text{bar} \to 0$ is little evident at all. By generating mock data
according to MOND with or without the external field effect, we find that
symbolic regression would not be expected to identify the generating function
or reconstruct successfully the asymptotic slopes. We conclude that the limited
dynamical range and significant uncertainties of the SPARC RAR preclude a
definitive statement of its functional form, and hence that this data alone can
neither demonstrate nor rule out law-like gravitational behaviour.
- Abstract（参考訳）: 我々は、放射加速度関係(RAR)にカプセル化される後期型の銀河力学に対して、データから新しい方程式の学習法、すなわち排他的シンボリック回帰(ESR)を適用した。
バリオンによる遠心加速度($g_\text{bar}$)と総力学加速度($g_\text{obs}$)を関連付けると、RARは修正ニュートン力学(MOND)に則って、その正則性と厳密性により自然の新たな法則を示すと主張されている。
この関係は、特定の機能形式に対する事前の期待によって制限されているが、ESRは、関数パラメータ空間を通した徹底的でほとんど事前の探索を行い、方程式を最適に精度と単純さで取引する。
SPARC のデータを扱うと、通常、最高の関数は $g_\text{obs} \propto g_\text{bar}$ at high $g_\text{bar}$ を満たすが、比例係数は明らかにユニティではなく、深いMOND の極限 $g_\text{obs} \propto \sqrt{g_\text{bar}}$ as $g_\text{bar} \to 0$ はほとんど明らかではない。
MONDを外界効果の有無にかかわらずモックデータを生成することにより、シンボリックレグレッションは、生成関数を特定したり、漸近斜面の再構築に成功したりすることは期待できない。
我々は、SPARC RARの限られた力学範囲と重大な不確実性は、その機能形態の決定的なステートメントを妨げていると結論付け、このデータだけでは法のような重力の振る舞いを証明・排除できない。
関連論文リスト
- Highly Adaptive Ridge [84.38107748875144]
直交可積分な部分微分を持つ右連続函数のクラスにおいて,$n-2/3$自由次元L2収束率を達成する回帰法を提案する。
Harは、飽和ゼロオーダーテンソル積スプライン基底展開に基づいて、特定のデータ適応型カーネルで正確にカーネルリッジレグレッションを行う。
我々は、特に小さなデータセットに対する最先端アルゴリズムよりも経験的性能が優れていることを示す。
論文 参考訳（メタデータ） (2024-10-03T17:06:06Z) - Deep Generative Symbolic Regression [83.04219479605801]
記号回帰は、データから簡潔な閉形式数学的方程式を発見することを目的としている。
既存の手法は、探索から強化学習まで、入力変数の数に応じてスケールできない。
本稿では,我々のフレームワークであるDeep Generative Symbolic Regressionのインスタンス化を提案する。
論文 参考訳（メタデータ） (2023-12-30T17:05:31Z) - Multi-Irreducible Spectral Synchronization for Robust Rotation Averaging [1.2289361708127877]
雑音の測定値として、SO$における未知の向きの集合を$R_1, ..., R_Nで推定する方法を示す。
その結果, 正確な推定を実現するために, エフェクトが保証される計測ネットワークを考案する方法が示唆された。
論文 参考訳（メタデータ） (2023-11-28T06:25:26Z) - Globally Convergent Accelerated Algorithms for Multilinear Sparse
Logistic Regression with $\ell_0$-constraints [2.323238724742687]
多重線形ロジスティック回帰は多次元データ解析の強力なツールである。
本稿では,$ell_0$-MLSRを解くために,アクセラレーションされた近位置換最小値MLSRモデルを提案する。
また、APALM$+$が一階臨界点に大域収束し、クルディ・ロジャシエヴィチ性質を用いて収束を確立することも示している。
論文 参考訳（メタデータ） (2023-09-17T11:05:08Z) - Kernel-based off-policy estimation without overlap: Instance optimality
beyond semiparametric efficiency [53.90687548731265]
本研究では,観測データに基づいて線形関数を推定するための最適手順について検討する。
任意の凸および対称函数クラス $mathcalF$ に対して、平均二乗誤差で有界な非漸近局所ミニマックスを導出する。
論文 参考訳（メタデータ） (2023-01-16T02:57:37Z) - Exhaustive Symbolic Regression [0.0]
Exhaustive Symbolic Regression (ESR) は、好みを一つの目的に組み合わせるための厳密な方法である。
宇宙のクロノメーターのカタログと、超新星のパンテオン+サンプルに応用して、ハッブル速度を学習する。
コードと完全な方程式セットを公開しています。
論文 参考訳（メタデータ） (2022-11-21T13:48:52Z) - Active Nearest Neighbor Regression Through Delaunay Refinement [79.93030583257597]
近接回帰に基づく能動関数近似アルゴリズムを提案する。
我々のActive Nearest Neighbor Regressor (ANNR) は計算幾何学の Voronoi-Delaunay フレームワークに頼り、空間を一定の関数値のセルに分割する。
論文 参考訳（メタデータ） (2022-06-16T10:24:03Z) - Single Trajectory Nonparametric Learning of Nonlinear Dynamics [8.438421942654292]
力学系の1つの軌道が与えられた場合、非パラメトリック最小二乗推定器(LSE)の性能を解析する。
我々は最近開発された情報理論手法を活用し、非仮説クラスに対するLSEの最適性を確立する。
我々は、リプシッツ力学、一般化線形モデル、再生ケルネルヒルベルト空間(RKHS)のある種のクラスで記述される関数によって記述される力学など、実用上の関心のあるいくつかのシナリオを専門とする。
論文 参考訳（メタデータ） (2022-02-16T19:38:54Z) - On the Double Descent of Random Features Models Trained with SGD [78.0918823643911]
勾配降下(SGD)により最適化された高次元におけるランダム特徴(RF)回帰特性について検討する。
本研究では, RF回帰の高精度な非漸近誤差境界を, 定常および適応的なステップサイズSGD設定の下で導出する。
理論的にも経験的にも二重降下現象を観察する。
論文 参考訳（メタデータ） (2021-10-13T17:47:39Z) - Multivariate Functional Regression via Nested Reduced-Rank
Regularization [2.730097437607271]
多変量関数応答と予測器を備えた回帰モデルに適用するネスト型低ランク回帰(NRRR)手法を提案する。
非漸近解析により、NRRRは少なくとも低ランク回帰と同等の誤差率を達成できることを示す。
NRRRを電力需要問題に適用し、日中電力消費の軌跡と日中電力消費の軌跡を関連づける。
論文 参考訳（メタデータ） (2020-03-10T14:58:54Z) - SLEIPNIR: Deterministic and Provably Accurate Feature Expansion for
Gaussian Process Regression with Derivatives [86.01677297601624]
本稿では,2次フーリエ特徴に基づく導関数によるGP回帰のスケーリング手法を提案する。
我々は、近似されたカーネルと近似された後部の両方に適用される決定論的、非漸近的、指数関数的に高速な崩壊誤差境界を証明した。
論文 参考訳（メタデータ） (2020-03-05T14:33:20Z)
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。