Fugu-MT 論文翻訳(概要): Symbolic Regression on Sparse and Noisy Data with Gaussian Processes

論文の概要: Symbolic Regression on Sparse and Noisy Data with Gaussian Processes

arxiv url: http://arxiv.org/abs/2309.11076v3
Date: Thu, 10 Oct 2024 22:47:13 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-14 13:27:53.116506
Title: Symbolic Regression on Sparse and Noisy Data with Gaussian Processes
Title（参考訳）: ガウス過程によるスパース・ノイズデータのシンボリック回帰
Authors: Junette Hsin, Shubhankar Agarwal, Adam Thorpe, Luis Sentis, David Fridovich-Keil,
Abstract要約: GPSINDyは、SINDy単独と比較して、スパースでノイズの多いデータで堅牢性を改善する。 SINDyを50%以上改善するなど,ベースラインよりも優れた性能を示す。
参考スコア（独自算出の注目度）: 11.413977318301903
License:
Abstract: In this paper, we address the challenge of deriving dynamical models from sparse and noisy data. High-quality data is crucial for symbolic regression algorithms; limited and noisy data can present modeling challenges. To overcome this, we combine Gaussian process regression with a sparse identification of nonlinear dynamics (SINDy) method to denoise the data and identify nonlinear dynamical equations. Our approach GPSINDy offers improved robustness with sparse, noisy data compared to SINDy alone. We demonstrate its effectiveness on simulation data from Lotka-Volterra and unicycle models and hardware data from an NVIDIA JetRacer system. We show superior performance over baselines including more than 50% improvement over SINDy and other baselines in predicting future trajectories from noise-corrupted and sparse 5 Hz data.
Abstract（参考訳）: 本稿では,スパースデータとノイズデータから動的モデルを導出することの課題に対処する。高品質なデータは、シンボリック回帰アルゴリズムにとって不可欠である。これを解決するために、ガウス過程の回帰と非線形力学法(SINDy)のスパース同定を組み合わせることで、データをノイズ化し、非線形力学方程式を同定する。当社のアプローチであるGPSINDyは、SINDy単独と比較して、スパースでノイズの多いデータによる堅牢性の向上を実現しています。 Lotka-VolterraによるシミュレーションデータとNVIDIA JetRacerシステムによる一輪車モデルとハードウェアデータの有効性を示す。 SINDyや他のベースラインよりも50%以上の改善を含むベースラインよりも優れた性能を示し、5Hzのデータから将来のトラジェクトリを予測する。

関連論文リスト

A Real Benchmark Swell Noise Dataset for Performing Seismic Data Denoising via Deep Learning [34.163242023030016]
本稿では, 実データ上に実装されたフィルタリングプロセスから抽出したノイズにより, 合成地震データからなるベンチマークデータセットを提案する。地震探査のための新しいソリューションの開発を加速するためのベンチマークとして提案されている。その結果, DLモデルは地震探査に有効であることがわかったが, 未解決の問題も残されている。
論文参考訳（メタデータ） (2024-10-02T13:06:18Z)
How more data can hurt: Instability and regularization in next-generation reservoir computing [0.0]
我々は、この現象のより極端なバージョンが、力学系のデータ駆動モデルに現れることを示した。トレーニングデータの多いフローマップの表現がより良くなったにもかかわらず、NGRCは不条件の積分器を採用でき、安定性を損なうことが判明した。
論文参考訳（メタデータ） (2024-07-11T16:22:13Z)
Domain-Transferred Synthetic Data Generation for Improving Monocular Depth Estimation [9.812476193015488]
本稿では,3次元合成環境とCycleGANドメイン転送を用いたシミュレーションデータ生成手法を提案する。本研究では,DenseDepth構造に基づく深度推定モデルを実データと模擬データの異なるトレーニングセットを用いて学習することにより,このデータ生成手法を,人気のNYUDepth V2データセットと比較する。本稿では,Huskyロボットによる新たに収集した画像とLiDAR深度データを用いたモデルの性能評価を行い,GAN変換データを実世界のデータ,特に深度推定の有効な代替手段として有効であることを示す。
論文参考訳（メタデータ） (2024-05-02T09:21:10Z)
Automating the Discovery of Partial Differential Equations in Dynamical Systems [0.0]
適応型ラッソを用いてスパースレグレッションを利用して自動的にPDEを識別するARGOSフレームワークARGOS-RALの拡張を提案する。各種ノイズレベルおよびサンプルサイズの下での標準PDEの同定におけるARGOS-RALの性能を厳格に評価した。以上の結果から,ARGOS-ALはデータから基礎となるPDEを効果的かつ確実に同定し,ほとんどの場合において逐次しきい値リッジ回帰法よりも優れていることがわかった。
論文参考訳（メタデータ） (2024-04-25T09:23:03Z)
Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。 RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
論文参考訳（メタデータ） (2023-05-23T12:56:01Z)
Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
生成過程が下流MLタスクにどのように影響するかを示す。本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
論文参考訳（メタデータ） (2023-05-16T07:30:29Z)
Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
論文参考訳（メタデータ） (2023-04-22T15:32:59Z)
Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
論文参考訳（メタデータ） (2022-11-20T15:49:11Z)
DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文参考訳（メタデータ） (2022-09-26T21:59:14Z)
A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-01-29T23:31:25Z)
`Next Generation' Reservoir Computing: an Empirical Data-Driven Expression of Dynamical Equations in Time-Stepping Form [0.0]
非線形ベクトル自己回帰に基づく次世代貯水池計算を適用し, 単純な力学系モデルをエミュレートする。また、この手法はデータから直接高次数値スキームを生成するために拡張可能であることも示している。トレーニングセットにおけるノイズの存在と時間的空間性の影響について検討し, より現実的な応用のために本手法の可能性を評価する。
論文参考訳（メタデータ） (2022-01-13T20:13:33Z)

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。