Fugu-MT 論文翻訳(概要): MetaPhysiCa: OOD Robustness in Physics-informed Machine Learning

論文の概要: MetaPhysiCa: OOD Robustness in Physics-informed Machine Learning

arxiv url: http://arxiv.org/abs/2303.03181v1
Date: Mon, 6 Mar 2023 14:48:30 GMT
ステータス: 処理完了
システム内更新日: 2023-03-07 15:47:08.314737
Title: MetaPhysiCa: OOD Robustness in Physics-informed Machine Learning
Title（参考訳）: MetaPhysiCa:物理インフォームド機械学習におけるOODロバスト性
Authors: S Chandra Mouli, Muhammad Ashraful Alam, Bruno Ribeiro
Abstract要約: 物理情報処理機械学習(PIML)の基本的な課題は、アウト・オブ・ディストリビューション(OOD)予測タスクのための堅牢なPIMLメソッドの設計である。本稿では,因果構造探索のためのメタラーニング手法として定義する,そのようなタスクに対する解を提案する。 3つのOODタスクを用いて、提案手法が既存の最先端PIMLおよびディープラーニング手法を著しく上回っていることを実証的に観察した。
参考スコア（独自算出の注目度）: 15.657161498824738
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A fundamental challenge in physics-informed machine learning (PIML) is the design of robust PIML methods for out-of-distribution (OOD) forecasting tasks. These OOD tasks require learning-to-learn from observations of the same (ODE) dynamical system with different unknown ODE parameters, and demand accurate forecasts even under out-of-support initial conditions and out-of-support ODE parameters. In this work we propose a solution for such tasks, which we define as a meta-learning procedure for causal structure discovery (including invariant risk minimization). Using three different OOD tasks, we empirically observe that the proposed approach significantly outperforms existing state-of-the-art PIML and deep learning methods.
Abstract（参考訳）: 物理情報処理機械学習(PIML)の基本的な課題は、アウト・オブ・ディストリビューション(OOD)予測タスクのための堅牢なPIML手法の設計である。これらのOODタスクは、未知のODEパラメータを持つ同じ(ODE)力学系の観測から学習し、サポート外初期条件やサポート外ODEパラメータの下でも正確な予測を要求する。本研究では,因果構造発見(不変リスク最小化を含む)のためのメタラーニング手順として定義するタスクの解法を提案する。 3つのOODタスクを用いて、提案手法が既存の最先端PIMLおよびディープラーニング手法を著しく上回っていることを実証的に観察した。

関連論文リスト

Cognitive LLMs: Towards Integrating Cognitive Architectures and Large Language Models for Manufacturing Decision-making [51.737762570776006]
LLM-ACTRは、ヒトに適応し、多目的な意思決定を提供する新しいニューロシンボリックアーキテクチャである。我々のフレームワークは、ACT-Rの内部決定過程の知識を潜在神経表現として抽出し、組み込む。デザイン・フォー・マニュファクチャリング・タスクに関する我々の実験は、タスク性能の向上と基礎的意思決定能力の向上を両立させたものである。
論文参考訳（メタデータ） (2024-08-17T11:49:53Z)
Physics Informed Machine Learning (PIML) methods for estimating the remaining useful lifetime (RUL) of aircraft engines [0.0]
本研究の目的は、新たに開発された物理情報機械学習(PIML)を用いて、残りの実用寿命(RUL)航空機エンジンの予測モデルを開発することである。本稿では,NASAのC-MAPSS(Commercial Modular Aero-Propulsion System Simulation System)データについて概説する。 C-MAPSSは、古典的および深層学習手法でRUL予測に対処する、文献における多くの既存の研究を含む、よく研究されたデータセットである。
論文参考訳（メタデータ） (2024-06-21T19:55:34Z)
Meta Reasoning for Large Language Models [58.87183757029041]
大規模言語モデル(LLM)の新規かつ効率的なシステムプロセッシング手法であるメタ推論プロンプト(MRP)を導入する。 MRPは、各タスクの特定の要求に基づいて異なる推論メソッドを動的に選択し、適用するようLLMに誘導する。総合的なベンチマークによりMPPの有効性を評価する。
論文参考訳（メタデータ） (2024-06-17T16:14:11Z)
A Review of Physics-Informed Machine Learning Methods with Applications to Condition Monitoring and Anomaly Detection [1.124958340749622]
PIMLは、既知の物理法則と制約を機械学習アルゴリズムに組み込んだものである。本研究では,条件モニタリングの文脈におけるPIML技術の概要を概観する。
論文参考訳（メタデータ） (2024-01-22T11:29:44Z)
Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
論文参考訳（メタデータ） (2023-09-27T14:39:41Z)
MetaNO: How to Transfer Your Knowledge on Learning Hidden Physics [39.83408993820245]
本稿では,パラメータの異なる(未知の)PDE間で解演算子の知識を伝達する手法として,ニューラル演算子のメタラーニング手法を提案する。我々のアプローチは、複数のPDE問題解決タスクに対する証明可能な普遍解演算子であり、基礎となるパラメータフィールドをニューラルネットワークモデルの第1層で捉えることができるという重要な理論的な観察である。応用として,本手法が複雑で非線形な物理応答学習タスクを処理できると同時に,未確認タスクのサンプリング効率を大幅に改善できることを示す,PDEベースのデータセットと実世界の物質モデリング問題に対する提案手法の有効性を実証する。
論文参考訳（メタデータ） (2023-01-28T05:30:51Z)
When Physics Meets Machine Learning: A Survey of Physics-Informed Machine Learning [14.296078151381591]
物理インフォームド機械学習(PIML)は、トレーニングデータの不足を軽減し、モデルの一般化性を高め、結果の物理的妥当性を確保する効果的な方法である。 1)PIMLの動機,(2)PIMLの物理知識,(3)PIMLの物理知識統合の方法の3つの側面から,PIMLにおける最近の多くの研究を概説する。
論文参考訳（メタデータ） (2022-03-31T04:58:27Z)
MAML is a Noisy Contrastive Learner [72.04430033118426]
モデルに依存しないメタラーニング(MAML)は、今日では最も人気があり広く採用されているメタラーニングアルゴリズムの1つである。我々は、MAMLの動作メカニズムに対する新たな視点を提供し、以下に示すように、MAMLは、教師付きコントラスト目的関数を用いたメタラーナーに類似している。このような干渉を軽減するため, 単純だが効果的な手法であるゼロ化手法を提案する。
論文参考訳（メタデータ） (2021-06-29T12:52:26Z)
Real-time Forecast Models for TBM Load Parameters Based on Machine Learning Methods [6.247628933072029]
本論文では, TBM運用データに基づいて機械学習(ML)手法を用いて, TBM負荷パラメータのリアルタイム予測モデルを構築する。モデル複雑性を低減し、一般化を改善するため、予測タスクの本質的特徴を抽出するために、最小絶対縮小および選択法(Lasso)を適用した。
論文参考訳（メタデータ） (2021-04-12T07:31:39Z)
On Fast Adversarial Robustness Adaptation in Model-Agnostic Meta-Learning [100.14809391594109]
モデルに依存しないメタラーニング(MAML)は、数発の学習において最も成功したメタラーニング手法の1つである。メタモデルの一般化力にもかかわらず、マルチショット学習においてMDLがいかに敵対的堅牢性を維持することができるかは明らかではない。本稿では,ラベルなしデータ拡張,高速な攻撃生成,計算量軽微な微調整を可能にする,汎用的かつ最適化が容易なロバストネス正規化メタラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2021-02-20T22:03:04Z)
NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
論文参考訳（メタデータ） (2020-06-11T17:39:07Z)

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。