論文の概要: PINN Training using Biobjective Optimization: The Trade-off between Data
Loss and Residual Loss
- arxiv url: http://arxiv.org/abs/2302.01810v1
- Date: Fri, 3 Feb 2023 15:27:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-06 15:52:55.834135
- Title: PINN Training using Biobjective Optimization: The Trade-off between Data
Loss and Residual Loss
- Title(参考訳): 双目的最適化を用いたpinnトレーニング:データ損失と残差損失のトレードオフ
- Authors: Fabian Heldmann, Sarah Berkhahn, Matthias Ehrhardt, Kathrin Klamroth
- Abstract要約: 物理情報ニューラルネットワーク(PINN)は、測定データが利用可能な問題を表現するための効率的なツールであることが証明されている。
本稿では、データ損失と残留損失を2つの個別目的関数として扱うことにより、PINNのトレーニングにおける多目的視点を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physics informed neural networks (PINNs) have proven to be an efficient tool
to represent problems for which measured data are available and for which the
dynamics in the data are expected to follow some physical laws. In this paper,
we suggest a multiobjective perspective on the training of PINNs by treating
the data loss and the residual loss as two individual objective functions in a
truly biobjective optimization approach. As a showcase example, we consider
COVID-19 predictions in Germany and built an extended
susceptibles-infected-recovered (SIR) model with additionally considered
leaky-vaccinated and hospitalized populations (SVIHR model) to model the
transition rates and to predict future infections. SIR-type models are
expressed by systems of ordinary differential equations (ODEs). We investigate
the suitability of the generated PINN for COVID-19 predictions and compare the
resulting predicted curves with those obtained by applying the method of
non-standard finite differences to the system of ODEs and initial data. The
approach is applicable to various systems of ODEs that define dynamical
regimes. Those regimes do not need to be SIR-type models, and the corresponding
underlying data sets do not have to be associated with COVID-19.
- Abstract(参考訳): 物理情報ニューラルネットワーク(PINN)は、測定されたデータが利用可能であり、データのダイナミクスがいくつかの物理法則に従うと期待される問題を表現するための効率的なツールであることが証明されている。
本稿では,データ損失と残留損失を2つの個別目的関数として扱うことにより,PINNのトレーニングに対する多目的視点を提案する。
例として,ドイツにおけるcovid-19の予測を考察し,感染拡大率のモデル化と今後の感染予測のために,漏洩性・入院性集団モデル(svihrモデル)も検討した。
SIR型モデルは、通常の微分方程式(ODE)の系で表される。
生成したPINNのCOVID-19予測に対する適合性について検討し,その予測曲線をODEと初期データに非標準有限差分法を適用した結果と比較した。
このアプローチは、動的レシエーションを定義するODEの様々なシステムに適用できる。
これらのレジームはSIR型モデルを必要としないため、対応するデータセットはCOVID-19と関連付けられなくてもよい。
関連論文リスト
- Deep Neural Networks Tend To Extrapolate Predictably [56.04573160453392]
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) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳(メタデータ) (2023-06-14T11:41:42Z) - Analysis of Numerical Integration in RNN-Based Residuals for Fault
Diagnosis of Dynamic Systems [0.6999740786886536]
本論文は,重度トラックの後処理システムの事例スタディを含み,これらの技術が故障診断性能を向上させる可能性を明らかにする。
データ駆動モデリングと機械学習は、動的システムの振る舞いをモデル化するために広く使われている。
論文 参考訳(メタデータ) (2023-05-08T12:48:18Z) - Deep learning for full-field ultrasonic characterization [7.120879473925905]
本研究では、最近の機械学習の進歩を活用して、物理に基づくデータ分析プラットフォームを構築する。
直接反転と物理インフォームドニューラルネットワーク(PINN)の2つの論理について検討した。
論文 参考訳(メタデータ) (2023-01-06T05:01:05Z) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳(メタデータ) (2022-02-25T20:00:56Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - DeepCOVIDNet: An Interpretable Deep Learning Model for Predictive
Surveillance of COVID-19 Using Heterogeneous Features and their Interactions [2.30238915794052]
今後の新型コロナウイルス感染者の増加範囲を予測するための深層学習モデルを提案する。
様々なソースから収集したデータを用いて、米国全郡で7日以内に感染が拡大する範囲を推定する。
論文 参考訳(メタデータ) (2020-07-31T23:37:38Z) - Uncovering the Underlying Physics of Degrading System Behavior Through a
Deep Neural Network Framework: The Case of Remaining Useful Life Prognosis [0.0]
本稿では、ディープニューラルネットワークフレームワークを用いて、劣化の物理を探索するオープンボックスアプローチを提案する。
フレームワークには3つのステージがあり、システムの状態を表す潜伏変数と対応するPDEを見つけることを目的としている。
論文 参考訳(メタデータ) (2020-06-10T21:05:59Z) - Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug
Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。
我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。
アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文 参考訳(メタデータ) (2020-05-13T20:29:48Z)
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。