論文の概要: Some of the variables, some of the parameters, some of the times, with
some physics known: Identification with partial information
- arxiv url: http://arxiv.org/abs/2304.14214v1
- Date: Thu, 27 Apr 2023 14:21:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-28 13:09:30.371268
- Title: Some of the variables, some of the parameters, some of the times, with
some physics known: Identification with partial information
- Title（参考訳）: いくつかの変数、パラメータ、幾らかの物理が知られているいくつかの変数:部分的情報による識別
- Authors: Saurabh Malani, Tom S. Bertalan, Tianqi Cui, Jose L. Avalos, Michael
Betenbaugh, Ioannis G. Kevrekidis
- Abstract要約: 我々は数値積分法と$textita priori$物理知識に基づくニューラルネットワークアーキテクチャを利用する。
このようなニューラルネットワークモデルを反復することで、任意の時点にサンプリングされたデータから学習することができる。
これにより、未知の運動速度や微生物の成長関数を同時に予測しながら学習することができる。
- 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: Experimental data is often comprised of variables measured independently, at
different sampling rates (non-uniform ${\Delta}$t between successive
measurements); and at a specific time point only a subset of all variables may
be sampled. Approaches to identifying dynamical systems from such data
typically use interpolation, imputation or subsampling to reorganize or modify
the training data $\textit{prior}$ to learning. Partial physical knowledge may
also be available $\textit{a priori}$ (accurately or approximately), and
data-driven techniques can complement this knowledge. Here we exploit neural
network architectures based on numerical integration methods and $\textit{a
priori}$ physical knowledge to identify the right-hand side of the underlying
governing differential equations. Iterates of such neural-network models allow
for learning from data sampled at arbitrary time points $\textit{without}$ data
modification. Importantly, we integrate the network with available partial
physical knowledge in "physics informed gray-boxes"; this enables learning
unknown kinetic rates or microbial growth functions while simultaneously
estimating experimental parameters.
- Abstract（参考訳）: 実験データは、異なるサンプリングレートで測定された変数(連続的な測定で不均一な${\Delta}$t)でしばしば構成され、特定の時点では、すべての変数のサブセットのみをサンプリングすることができる。
このようなデータから動的システムを特定するアプローチは、通常、補間、命令、サブサンプリングを使用してトレーニングデータの再構成や修正を行う。
部分的物理知識は$\textit{a priori}$(正確にはおよそ)で利用可能であり、データ駆動技術はこの知識を補完することができる。
ここでは,数値積分法と$\textit{a priori}$物理知識に基づくニューラルネットワークアーキテクチャを用いて,基礎となる微分方程式の右辺を同定する。
このようなニューラルネットワークモデルの反復により、任意の時間ポイント$\textit{without}$データ修正でサンプリングされたデータから学習することができる。
重要なのは,ネットワークと利用可能な部分的物理知識を"物理情報グレーボックス"に統合することで,未知の運動速度や微生物成長関数を学習し,同時に実験パラメータを推定できることである。
関連論文リスト
- Multivariate Time Series Classification: A Deep Learning Approach [1.0742675209112622]
本稿では時系列分類領域に適用可能な様々な手法とニューラルネットワークアーキテクチャについて検討する。
データは、酸素や音などの量を測定し、追跡するガスセンサー群から得られる。
このデータにより、特定の環境における占有などの事象を検出することができる。
論文 参考訳（メタデータ） (2023-07-05T12:50:48Z) - DCID: Deep Canonical Information Decomposition [84.59396326810085]
本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。
そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。
また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
論文 参考訳（メタデータ） (2023-06-27T16:59:06Z) - Neural ODEs with Irregular and Noisy Data [8.349349605334316]
ノイズや不規則なサンプル測定を用いて微分方程式を学習する手法について議論する。
我々の方法論では、ディープニューラルネットワークとニューラル常微分方程式(ODE)アプローチの統合において、大きな革新が見られる。
ベクトル場を記述するモデルを学習するためのフレームワークは,雑音測定において非常に効果的である。
論文 参考訳（メタデータ） (2022-05-19T11:24:41Z) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳（メタデータ） (2022-03-29T04:54:06Z) - Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or
Something Else? [93.91375268580806]
政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。
既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。
既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
論文 参考訳（メタデータ） (2021-11-09T13:30:34Z) - Learning Dynamics from Noisy Measurements using Deep Learning with a
Runge-Kutta Constraint [9.36739413306697]
そこで本研究では,雑音と疎サンプルを用いた微分方程式の学習手法について論じる。
我々の方法論では、ディープニューラルネットワークと古典的な数値積分法の統合において、大きな革新が見られる。
論文 参考訳（メタデータ） (2021-09-23T15:43:45Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳（メタデータ） (2021-08-09T17:39:09Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - Deep dynamic modeling with just two time points: Can we still allow for
individual trajectories? [0.0]
疫学コホート研究や臨床登録では、縦断的生医学データはしばしばスパースタイムグリッドによって特徴づけられる。
ディープラーニングと動的モデリングを組み合わせた最近の進歩から着想を得て,そのような手法が複雑な構造を明らかにするのに有用かどうかを考察する。
このような動的ディープラーニングアプローチは、極端に小さなデータ設定でも有用であるが、慎重に適応する必要がある。
論文 参考訳（メタデータ） (2020-12-01T16:58:02Z) - Visual Neural Decomposition to Explain Multivariate Data Sets [13.117139248511783]
多次元データセットにおける変数間の関係を調べることは、データアナリストとエンジニアにとって共通の課題である。
本稿では,入力変数と対象変数との相関関係を可視化する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-09-11T15:53:37Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳（メタデータ） (2020-05-24T04:02:18Z)
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。