論文の概要: Interpretable Meta-Learning of Physical Systems

• arxiv url: http://arxiv.org/abs/2312.00477v1
• Date: Fri, 1 Dec 2023 10:18:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-04 15:08:12.285937
• Title: Interpretable Meta-Learning of Physical Systems
• Title（参考訳）: 物理系の解釈型メタラーニング
• Authors: Matthieu Blanke and Marc Lelarge
• Abstract要約: 最近のメタラーニング手法はブラックボックスニューラルネットワークに依存しており、計算コストが高く、解釈可能性も限られている。 我々は,学習課題に対するアフィン構造を持つ,より単純な学習モデルを用いて,マルチ環境の一般化を実現することができると論じる。 本稿では,物理系の最先端アルゴリズムと比較することにより,競合一般化性能と計算コストの低さを実証する。
• 参考スコア（独自算出の注目度）: 5.130809268355924
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning methods can be a valuable aid in the scientific process, but they need to face challenging settings where data come from inhomogeneous experimental conditions. Recent meta-learning methods have made significant progress in multi-task learning, but they rely on black-box neural networks, resulting in high computational costs and limited interpretability. Leveraging the structure of the learning problem, we argue that multi-environment generalization can be achieved using a simpler learning model, with an affine structure with respect to the learning task. Crucially, we prove that this architecture can identify the physical parameters of the system, enabling interpreable learning. We demonstrate the competitive generalization performance and the low computational cost of our method by comparing it to state-of-the-art algorithms on physical systems, ranging from toy models to complex, non-analytical systems. The interpretability of our method is illustrated with original applications to physical-parameter-induced adaptation and to adaptive control.
• Abstract（参考訳）: 機械学習の手法は、科学的なプロセスにおいて貴重な助けになるが、不均一な実験条件からデータが得られた困難な状況に直面する必要がある。 最近のメタラーニング手法はマルチタスク学習において大きな進歩を遂げているが、それらはブラックボックスニューラルネットワークに依存しており、高い計算コストと限られた解釈可能性をもたらす。 学習問題の構造を生かして,学習課題に関してアフィン構造を持つ,より単純な学習モデルを用いて多環境一般化を実現することができると主張する。 重要なことは、このアーキテクチャがシステムの物理的パラメータを識別し、解釈可能な学習を可能にすることを証明する。 本手法は,玩具モデルから複雑な非解析システムまで,物理システムの最先端アルゴリズムと比較することにより,競争的一般化性能と計算コストの低さを実証する。 本手法の解釈性は,物理パラメータによる適応と適応制御に応用される。

関連論文リスト

• Understanding Machine Learning Paradigms through the Lens of Statistical Thermodynamics: A tutorial [0.0]
  このチュートリアルは、エントロピー、自由エネルギー、そして機械学習に使用される変分推論のような高度なテクニックを掘り下げる。 物理的システムの振る舞いを深く理解することで、より効果的で信頼性の高い機械学習モデルが得られることを示す。
  論文  参考訳（メタデータ） (2024-11-24T18:20:05Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• 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)
• Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
  本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。 また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
  論文  参考訳（メタデータ） (2021-11-28T14:24:52Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• 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)
• Nonparametric Estimation of Heterogeneous Treatment Effects: From Theory to Learning Algorithms [91.3755431537592]
  プラグイン推定と擬似出力回帰に依存する4つの幅広いメタ学習戦略を解析する。 この理論的推論を用いて、アルゴリズム設計の原則を導出し、分析を実践に翻訳する方法について強調する。
  論文  参考訳（メタデータ） (2021-01-26T17:11:40Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Watch and learn -- a generalized approach for transferrable learning in deep neural networks via physical principles [0.0]
  本研究では,物理状態の異なる統計物理学における問題に対して,完全に伝達可能な学習を実現するための教師なし学習手法を実証する。 逐次ニューラルネットワークに基づくシーケンスモデルを広範囲のディープニューラルネットワークに結合することにより、古典的な統計力学系の平衡確率分布と粒子間相互作用モデルを学ぶことができる。
  論文  参考訳（メタデータ） (2020-03-03T18:37:23Z)
• Operationally meaningful representations of physical systems in neural networks [4.192302677744796]
  本稿では、物理的システムの異なる側面を扱うエージェントが、相互に可能な限り効率的に関連情報を伝達できるように設計されたニューラルネットワークアーキテクチャを提案する。 これは、異なる実験環境で物理システムに関するステートメントを作成するのに役立つ異なるパラメータを分離する表現を生成する。
  論文  参考訳（メタデータ） (2020-01-02T19:01:31Z)

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。