論文の概要: Learning effective good variables from physical data
- arxiv url: http://arxiv.org/abs/2401.05226v1
- Date: Wed, 10 Jan 2024 15:52:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-11 14:19:51.421181
- Title: Learning effective good variables from physical data
- Title(参考訳): 物理データから有効な良い変数を学習する
- Authors: Giulio Barletta, Giovanni Trezza, Eliodoro Chiavazzo
- Abstract要約: プリミティブ変数の可能なグループや組み合わせを見つけるために,2つの機械学習手法を導入,試行する。
この2つの手法は、対流熱伝達現象を記述する2つの一般的な経験的相関と、ニュートンの普遍重力法則にうまく適用されている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We assume that a sufficiently large database is available, where a physical
property of interest and a number of associated ruling primitive variables or
observables are stored. We introduce and test two machine learning approaches
to discover possible groups or combinations of primitive variables: The first
approach is based on regression models whereas the second on classification
models. The variable group (here referred to as the new effective good
variable) can be considered as successfully found, when the physical property
of interest is characterized by the following effective invariant behaviour: In
the first method, invariance of the group implies invariance of the property up
to a given accuracy; in the other method, upon partition of the physical
property values into two or more classes, invariance of the group implies
invariance of the class. For the sake of illustration, the two methods are
successfully applied to two popular empirical correlations describing the
convective heat transfer phenomenon and to the Newton's law of universal
gravitation.
- Abstract(参考訳): 十分に大きなデータベースが利用できると仮定し、興味のある物理的特性と関連する支配的プリミティブ変数やオブザーバブルが格納される。
第1のアプローチは回帰モデルに基づいていますが,第2のアプローチは分類モデルに基づいています。
変数群(以下、新しい有効好変数と呼ばれる)は、興味の物理的性質が以下の実効的不変性によって特徴づけられるとき、成功するとみなすことができる: 第一の方法では、群の不変性は、与えられた精度までその性質の不変性を意味する;もう一方の方法では、物理的性質値を2つ以上のクラスに分割するときに、群の不変性は、クラスの不変性を意味する。
この2つの方法は、対流熱伝達現象を記述する2つの一般的な経験的相関と、ニュートンの普遍重力法則にうまく適用されている。
関連論文リスト
- Multiply-Robust Causal Change Attribution [15.501106533308798]
我々は,各因果メカニズムの貢献度を定量化するために,回帰法と再重み付け法を組み合わせた新しい推定方法を開発した。
本手法はモンテカルロシミュレーションにおいて優れた性能を示し,その有効性を示す。
論文 参考訳(メタデータ) (2024-04-12T22:57:01Z) - A Sparsity Principle for Partially Observable Causal Representation Learning [28.25303444099773]
因果表現学習は、知覚データから高レベルの因果変数を特定することを目的としている。
我々は、インスタンスに依存した部分的可観測パターンを持つデータセットから、未確認の観測から学ぶことに集中する。
提案手法は,推定された表現の間隔を小さくすることで,基礎となる因果変数を推定する2つの手法である。
論文 参考訳(メタデータ) (2024-03-13T08:40:49Z) - Data-driven path collective variables [0.0]
本稿では,集合変数の生成,最適化,比較のための新しい手法を提案する。
結果として得られる集合変数は1次元、解釈可能、微分可能である。
2つの異なるアプリケーションに対して,本手法の有効性を示す。
論文 参考訳(メタデータ) (2023-12-21T14:07:47Z) - Object-centric architectures enable efficient causal representation
learning [51.6196391784561]
観測対象が複数の物体である場合, 生成関数はもはや注入的ではなく, 実際に乱れは生じないことを示す。
スパース摂動からの弱い監督を利用して各オブジェクトのプロパティを乱すオブジェクト中心アーキテクチャを開発する。
このアプローチはユークリッド空間にエンコードする同等のアプローチよりもはるかに少ない摂動を必要とするという意味で、よりデータ効率が高い。
論文 参考訳(メタデータ) (2023-10-29T16:01:03Z) - On the Strong Correlation Between Model Invariance and Generalization [54.812786542023325]
一般化は、見えないデータを分類するモデルの能力をキャプチャする。
不変性はデータの変換におけるモデル予測の一貫性を測定する。
データセット中心の視点から、あるモデルの精度と不変性は異なるテストセット上で線形に相関している。
論文 参考訳(メタデータ) (2022-07-14T17:08:25Z) - Predicting Out-of-Domain Generalization with Neighborhood Invariance [59.05399533508682]
局所変換近傍における分類器の出力不変性の尺度を提案する。
私たちの測度は計算が簡単で、テストポイントの真のラベルに依存しません。
画像分類,感情分析,自然言語推論のベンチマーク実験において,我々の測定値と実際のOOD一般化との間に強い相関関係を示す。
論文 参考訳(メタデータ) (2022-07-05T14:55:16Z) - Learning Conditional Invariance through Cycle Consistency [60.85059977904014]
本稿では,データセットの変動の有意義な要因と独立な要因を識別する新しい手法を提案する。
提案手法は,対象プロパティと残りの入力情報に対する2つの別個の潜在部分空間を含む。
我々は,より意味のある因子を同定し,よりスペーサーや解釈可能なモデルに導く合成および分子データについて実証する。
論文 参考訳(メタデータ) (2021-11-25T17:33:12Z) - Modelling Heterogeneity Using Bayesian Structured Sparsity [0.0]
観察間で異なる変数の効果を推定する方法は、政治科学において重要な問題です。
本稿では,複雑な現象(同様の現象を離散群に展開する観測)を回帰分析に組み込む共通の方法を提案する。
論文 参考訳(メタデータ) (2021-03-29T19:54:25Z) - Spherical Feature Transform for Deep Metric Learning [58.35971328774927]
本研究は,新しい球面特徴変換手法を提案する。
これは、クラス間の同一共分散の仮定を、超球面上の異なるクラスの類似共分散の仮定に緩和する。
本研究では,2つの異なる変換間の関係について,簡便かつ効果的な学習法と深度解析を行う。
論文 参考訳(メタデータ) (2020-08-04T11:32:23Z) - Learning from Aggregate Observations [82.44304647051243]
本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。
本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。
単純な極大解は様々な微分可能なモデルに適用できる。
論文 参考訳(メタデータ) (2020-04-14T06:18:50Z)
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。