論文の概要: Nonlinear dimensionality reduction then and now: AIMs for dissipative
PDEs in the ML era
- arxiv url: http://arxiv.org/abs/2310.15816v1
- Date: Tue, 24 Oct 2023 13:10:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 18:39:55.959297
- Title: Nonlinear dimensionality reduction then and now: AIMs for dissipative
PDEs in the ML era
- Title(参考訳): 非線形次元の低減と現在 : ml時代の散逸pdesを目指して
- Authors: Eleni D. Koronaki, Nikolaos Evangelou, Cristina P. Martin-Linares,
Edriss S. Titi and Ioannis G. Kevrekidis
- Abstract要約: 本研究では、分散力学系のための低次モデル(ROM)を構築するために、純粋にデータ駆動型のコレクションを提案する。
特にモチベーションは、ガルシア・アルキラ、ノヴォ、ティティのいわゆる後処理のガレルキン法である。
提案手法は, (a) 理論(フーリエ係数), (b) 線形データ駆動(PODモード), (c) 非線形データ駆動(拡散マップ)座標を用いてROMを表現できる。
- 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: This study presents a collection of purely data-driven workflows for
constructing reduced-order models (ROMs) for distributed dynamical systems. The
ROMs we focus on, are data-assisted models inspired by, and templated upon, the
theory of Approximate Inertial Manifolds (AIMs); the particular motivation is
the so-called post-processing Galerkin method of Garcia-Archilla, Novo and
Titi. Its applicability can be extended: the need for accurate truncated
Galerkin projections and for deriving closed-formed corrections can be
circumvented using machine learning tools. When the right latent variables are
not a priori known, we illustrate how autoencoders as well as Diffusion Maps (a
manifold learning scheme) can be used to discover good sets of latent variables
and test their explainability. The proposed methodology can express the ROMs in
terms of (a) theoretical (Fourier coefficients), (b) linear data-driven (POD
modes) and/or (c) nonlinear data-driven (Diffusion Maps) coordinates. Both
Black-Box and (theoretically-informed and data-corrected) Gray-Box models are
described; the necessity for the latter arises when truncated Galerkin
projections are so inaccurate as to not be amenable to post-processing. We use
the Chafee-Infante reaction-diffusion and the Kuramoto-Sivashinsky dissipative
partial differential equations to illustrate and successfully test the overall
framework.
- Abstract(参考訳): 本研究では,分散動的システムのための還元次モデル(rom)を構築するための純粋データ駆動ワークフローの集合について述べる。
私たちが注目しているROMは、近似慣性マニフォールド(AIM)の理論にインスパイアされ、テンプレート化されたデータアシストモデルです。
その適用性は拡張可能であり、正確な切り裂かれたガレルキン射影と閉じた補正の導出の必要性は機械学習ツールを使って回避できる。
右潜在変数が既知でない場合、自己エンコーダと拡散写像(多様体学習スキーム)が、潜在変数のよい集合を発見し、それらの説明可能性をテストするためにどのように用いられるかを説明する。
提案手法はROMを表現できる。
(a)理論(フーリエ係数)
(b)線形データ駆動(PODモード)及び/または
(c)非線形データ駆動(拡散マップ)座標
Black-Box と Gray-Box のモデル (理論上はインフォームドとデータ修正) はどちらも記述されているが、後者の必要性は truncated Galerkin projections が不正確すぎて後処理ができない場合に生じる。
チャフィー・インファント反応拡散方程式とクラモト・シヴァシンスキー散逸偏微分方程式を用いて, 全体の枠組みを説明, 検証した。
関連論文リスト
- Diffusion models for Gaussian distributions: Exact solutions and Wasserstein errors [0.0]
拡散モデルやスコアベースモデルでは画像生成の性能が向上した。
本研究では,データ分布がガウス的である場合の拡散モデルの挙動とその数値的実装について理論的に検討する。
論文 参考訳(メタデータ) (2024-05-23T07:28:56Z) - Leveraging viscous Hamilton-Jacobi PDEs for uncertainty quantification in scientific machine learning [1.8175282137722093]
科学機械学習(SciML)における不確実性(UQ)は、SciMLの強力な予測力と、学習したモデルの信頼性を定量化する方法を組み合わせる。
我々は、SciMLと粘性ハミルトン-ヤコビ偏微分方程式(HJ PDE)で生じるいくつかのベイズ推論問題の間の新しい理論的関係を確立することにより、UQ問題に対する新しい解釈を提供する。
我々はモデル予測を継続的に更新する際の計算上の利点を提供する新しいRacatiベースの方法論を開発した。
論文 参考訳(メタデータ) (2024-04-12T20:54:01Z) - Diffusion models for probabilistic programming [56.47577824219207]
拡散モデル変分推論(DMVI)は確率型プログラミング言語(PPL)における自動近似推論手法である
DMVIは実装が容易で、例えば正規化フローを用いた変分推論の欠点を伴わずに、PPLでヘイズルフリー推論が可能であり、基礎となるニューラルネットワークモデルに制約を課さない。
論文 参考訳(メタデータ) (2023-11-01T12:17:05Z) - HyperSINDy: Deep Generative Modeling of Nonlinear Stochastic Governing
Equations [5.279268784803583]
本稿では,データからのスパース制御方程式の深部生成モデルを用いた動的モデリングフレームワークHyperSINDyを紹介する。
一度訓練すると、HyperSINDyは、係数が白色雑音によって駆動される微分方程式を介して力学を生成する。
実験では、HyperSINDyはデータと一致するように学習度をスケーリングすることで、基底的真理支配方程式を復元する。
論文 参考訳(メタデータ) (2023-10-07T14:41:59Z) - Score-based Diffusion Models in Function Space [137.70916238028306]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳(メタデータ) (2023-02-14T23:50:53Z) - The Manifold Hypothesis for Gradient-Based Explanations [55.01671263121624]
勾配に基づく説明アルゴリズムは知覚的に整合した説明を提供する。
特徴属性がデータの接する空間と一致しているほど、知覚的に一致している傾向にあることを示す。
説明アルゴリズムは、その説明をデータ多様体と整合させるよう積極的に努力すべきである。
論文 参考訳(メタデータ) (2022-06-15T08:49:24Z) - Non-linear manifold ROM with Convolutional Autoencoders and Reduced
Over-Collocation method [0.0]
非アフィンパラメトリックな依存、非線形性、興味のモデルにおける対流支配的な規則は、ゆっくりとしたコルモゴロフ n-幅の崩壊をもたらす。
我々は,Carlbergらによって導入された非線形多様体法を,オーバーコロケーションの削減とデコーダの教師/学生による学習により実現した。
本研究では,2次元非線形保存法と2次元浅水モデルを用いて方法論を検証し,時間とともに動的に進化する純粋データ駆動型手法と長期記憶ネットワークとの比較を行った。
論文 参考訳(メタデータ) (2022-03-01T11:16:50Z) - Discrete Denoising Flows [87.44537620217673]
分類的確率変数に対する離散的フローベースモデル(DDF)を提案する。
他の離散フローベースモデルとは対照的に、我々のモデルは勾配バイアスを導入することなく局所的に訓練することができる。
そこで本研究では, DDFs が離散フローより優れていることを示し, 対数類似度で測定した2値MNIST と Cityscapes のセグメンテーションマップをモデル化した。
論文 参考訳(メタデータ) (2021-07-24T14:47:22Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳(メタデータ) (2021-07-05T12:44:39Z) - Gaussian processes meet NeuralODEs: A Bayesian framework for learning
the dynamics of partially observed systems from scarce and noisy data [0.0]
本稿では,非線形力学系の部分的,雑音的,不規則な観測からベイズ系を同定する機械学習フレームワーク(GP-NODE)を提案する。
提案手法は、微分可能プログラミングの最近の発展を利用して、通常の微分方程式解法を用いて勾配情報を伝播する。
捕食者予備システム,システム生物学,50次元ヒューマンモーションダイナミクスシステムを含む提案GP-NODE法の有効性を示すために,一連の数値的研究を行った。
論文 参考訳(メタデータ) (2021-03-04T23:42:14Z) - Graph Embedding with Data Uncertainty [113.39838145450007]
スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。
ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
論文 参考訳(メタデータ) (2020-09-01T15:08:23Z)
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。