論文の概要: Discover governing differential equations from evolving systems
- arxiv url: http://arxiv.org/abs/2301.07863v3
- Date: Sun, 16 Jul 2023 04:36:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 23:29:41.754611
- Title: Discover governing differential equations from evolving systems
- Title(参考訳): 進化系からの制御微分方程式の発見
- Authors: Yuanyuan Li, Kai Wu, Jing Liu
- Abstract要約: 本稿では,サンプルを逐次処理できるオンラインモデリング手法を提案する。
提案手法は,ストリーミングデータから常微分方程式 (ODE) と偏微分方程式 (PDE) の発見に有効である。
- 参考スコア(独自算出の注目度): 17.883650663817836
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Discovering the governing equations of evolving systems from available
observations is essential and challenging. In this paper, we consider a new
scenario: discovering governing equations from streaming data. Current methods
struggle to discover governing differential equations with considering
measurements as a whole, leading to failure to handle this task. We propose an
online modeling method capable of handling samples one by one sequentially by
modeling streaming data instead of processing the entire dataset. The proposed
method performs well in discovering ordinary differential equations (ODEs) and
partial differential equations (PDEs) from streaming data. Evolving systems are
changing over time, which invariably changes with system status. Thus, finding
the exact change points is critical. The measurement generated from a changed
system is distributed dissimilarly to before; hence, the difference can be
identified by the proposed method. Our proposal is competitive in identifying
the change points and discovering governing differential equations in three
hybrid systems and two switching linear systems.
- Abstract(参考訳): 利用可能な観測から進化系の支配方程式を発見することは不可欠で難しい。
本稿では,ストリーミングデータから支配方程式を発見する新たなシナリオについて考察する。
現在の手法では、測定全体を考慮して微分方程式の制御を見つけるのに苦労し、このタスクを処理できなかった。
本稿では,データセット全体を処理するのではなく,ストリーミングデータをモデリングすることで,各サンプルを順次処理できるオンラインモデリング手法を提案する。
提案手法は,ストリーミングデータから常微分方程式 (ODE) と偏微分方程式 (PDE) の発見に有効である。
進化するシステムは時間とともに変化しており、システムの状態によって常に変化する。
したがって、正確な変化点を見つけることが重要である。
変更したシステムから生成された測定は前と異なって分布するので,提案手法により差を識別できる。
提案手法は,3つのハイブリッドシステムと2つの切替線形システムにおいて,変化点の同定と制御微分方程式の発見に競争力がある。
関連論文リスト
- PI-VEGAN: Physics Informed Variational Embedding Generative Adversarial
Networks for Stochastic Differential Equations [14.044012646069552]
本稿では,新しい物理インフォームドニューラルネットワーク(PI-VEGAN)について紹介する。
PI-VEGANは微分方程式の前方、逆、混合問題に効果的に取り組む。
我々は,システムパラメータと解の同時計算を必要とする,前方・逆・混合問題に対するPI-VEGANの有効性を評価する。
論文 参考訳(メタデータ) (2023-07-21T01:18:02Z) - System Identification with Copula Entropy [2.3980064191633232]
コプラエントロピー(CE)を用いた力学系の微分方程式の同定法を提案する。
この問題は変数選択問題と見なされ、従来提案されていた変数選択のためのCE法で解決された。
論文 参考訳(メタデータ) (2023-04-23T09:56:33Z) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳(メタデータ) (2023-04-21T02:20:24Z) - Discovering ordinary differential equations that govern time-series [65.07437364102931]
本研究では, 1つの観測解の時系列データから, スカラー自律常微分方程式(ODE)を記号形式で復元するトランスフォーマーに基づくシーケンス・ツー・シーケンス・モデルを提案する。
提案手法は, 1回に一度, ODE の大規模な事前訓練を行った後, モデルのいくつかの前方通過において, 新たに観測された解の法則を推測することができる。
論文 参考訳(メタデータ) (2022-11-05T07:07:58Z) - Identifiability and Asymptotics in Learning Homogeneous Linear ODE
Systems from Discrete Observations [132.317721820131]
通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。
理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。
本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
論文 参考訳(メタデータ) (2022-10-12T06:46:38Z) - Semi-supervised Learning of Partial Differential Operators and Dynamical
Flows [68.77595310155365]
本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。
本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。
その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
論文 参考訳(メタデータ) (2022-07-28T19:59:14Z) - D-CIPHER: Discovery of Closed-form Partial Differential Equations [80.46395274587098]
D-CIPHERは人工物の測定に頑健であり、微分方程式の新しい、非常に一般的なクラスを発見できる。
さらに,D-CIPHERを効率的に探索するための新しい最適化手法であるCoLLieを設計する。
論文 参考訳(メタデータ) (2022-06-21T17:59:20Z) - PI-VAE: Physics-Informed Variational Auto-Encoder for stochastic
differential equations [2.741266294612776]
我々は、物理学インフォームド・ニューラルネットワーク(PI-VAE)と呼ばれる新しいタイプの物理インフォームド・ニューラルネットワークを提案する。
PI-VAEは、システム変数とパラメータのサンプルを生成する変分オートエンコーダ(VAE)で構成されている。
提案手法の精度と効率を,物理インフォームド生成対向ネットワーク (PI-WGAN) と比較して数値的に検証した。
論文 参考訳(メタデータ) (2022-03-21T21:51:19Z) - Online Weak-form Sparse Identification of Partial Differential Equations [0.5156484100374058]
本稿では非線形力学アルゴリズム(WSINDy)の弱形式スパース同定に基づく偏微分方程式(PDE)の同定のためのオンラインアルゴリズムを提案する。
この手法のコアは、候補PDEの弱い形状の離散化と、スパース回帰問題に対するオンライン近位勾配降下法を組み合わせたものである。
論文 参考訳(メタデータ) (2022-03-08T10:11:09Z) - Identification of Dynamical Systems using Symbolic Regression [0.0]
本稿では,観測データから動的システムのモデルを特定する手法について述べる。
新しくなったのは、ODEパラメータの勾配に基づく最適化のステップを追加することです。
パラメータの勾配に基づく最適化はモデルの予測精度を向上させる。
論文 参考訳(メタデータ) (2021-07-06T11:41:10Z) - Multi-objective discovery of PDE systems using evolutionary approach [77.34726150561087]
本稿では,多目的共進化アルゴリズムについて述べる。
システム内の単一の方程式とシステム自体が同時に進化し、システムを得る。
単一のベクトル方程式とは対照的に、コンポーネント・ワイド・システムは専門家の解釈により適しており、従って応用にも適している。
論文 参考訳(メタデータ) (2021-03-11T15:37:52Z)
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。