Fugu-MT 論文翻訳(概要): Non-Negative Universal Differential Equations With Applications in Systems Biology

論文の概要: Non-Negative Universal Differential Equations With Applications in Systems Biology

arxiv url: http://arxiv.org/abs/2406.14246v1
Date: Thu, 20 Jun 2024 12:14:09 GMT
ステータス: 処理完了
システム内更新日: 2024-06-21 13:52:01.146680
Title: Non-Negative Universal Differential Equations With Applications in Systems Biology
Title（参考訳）: 非負の普遍微分方程式とシステム生物学への応用
Authors: Maren Philipps, Antonia Körner, Jakob Vanhoefer, Dilan Pathirana, Jan Hasenauer,
Abstract要約: 非負の値を保証する制約付き UDE 変種である非負の UDE (nUDEs) を提案する。また、UDEの一般化と解釈性を改善するための正規化手法についても検討する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Universal differential equations (UDEs) leverage the respective advantages of mechanistic models and artificial neural networks and combine them into one dynamic model. However, these hybrid models can suffer from unrealistic solutions, such as negative values for biochemical quantities. We present non-negative UDE (nUDEs), a constrained UDE variant that guarantees non-negative values. Furthermore, we explore regularisation techniques to improve generalisation and interpretability of UDEs.
Abstract（参考訳）: 普遍微分方程式(UDEs)は、力学モデルと人工ニューラルネットワークのそれぞれの利点を利用して、それらを1つの動的モデルに組み合わせる。しかし、これらのハイブリッドモデルは、生化学的量に対する負の値のような非現実的な解に悩まされることがある。非負の値を保証する制約付き UDE 変種である非負の UDE (nUDEs) を提案する。さらに、UDEの一般化と解釈性を改善するための正規化手法についても検討する。

関連論文リスト

Assessment of Uncertainty Quantification in Universal Differential Equations [1.374796982212312]
普遍微分方程式(Universal Differential Equations、UDE)は、機械式とニューラルネットワークのような普遍関数近似器という形で、事前の知識を組み合わせるために用いられる。本稿では,UDEに対する不確実性定量化(UQ)の形式化と,重要な頻繁性とベイズ法について検討する。
論文参考訳（メタデータ） (2024-06-13T06:36:19Z)
Diffusion models as probabilistic neural operators for recovering unobserved states of dynamical systems [49.2319247825857]
拡散に基づく生成モデルは、ニューラル演算子に好適な多くの特性を示す。本稿では,複数のタスクに適応可能な単一モデルを,トレーニング中のタスク間で交互に学習することを提案する。
論文参考訳（メタデータ） (2024-05-11T21:23:55Z)
Physically Informed Synchronic-adaptive Learning for Industrial Systems Modeling in Heterogeneous Media with Unavailable Time-varying Interface [1.3428344011390778]
偏微分方程式 (Partial differential equation, PDE) は、一般に複雑な産業システムをモデル化するために用いられる。既存の物理インフォームドニューラルネットワーク(PINN)は、均質媒質におけるPDEの解法に優れている。異種メディアにおける産業システムモデリングのためのPDEを解決するために,データ物理ハイブリッド方式,物理情報同期適応学習(PISAL)を提案する。
論文参考訳（メタデータ） (2024-01-26T02:48:45Z)
Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
論文参考訳（メタデータ） (2023-11-02T02:05:38Z)
Learning COVID-19 Regional Transmission Using Universal Differential Equations in a SIR model [0.0]
本稿では,周辺地域の影響を捉えるために,ユニバーサル微分方程式(UDE)を提案する。深層ニューラルネットワーク(DNN)によって構成されるSIR方程式に付加的な用語を含め、他の領域からの感染の入射力を学習する。 DNNのみからなる単一領域SIRと完全データ駆動モデルとの比較を行った。
論文参考訳（メタデータ） (2023-10-25T17:35:01Z)
Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
論文参考訳（メタデータ） (2023-06-24T17:01:51Z)
Single-model uncertainty quantification in neural network potentials does not consistently outperform model ensembles [0.7499722271664145]
ニューラルネットワーク(NN)は、遠く離れた地点であっても、予測に高い信頼性を割り当てることが多い。不確かさ定量化(英: Uncertainty Quantification、UQ)は、物質系における原子間ポテンシャルのモデル化に使用されるときの課題である。異なるUQ技術は、新しい情報データを見つけ、堅牢なポテンシャルのためにアクティブな学習ループを駆動することができる。
論文参考訳（メタデータ） (2023-05-02T19:41:17Z)
Generalized Neural Closure Models with Interpretability [28.269731698116257]
我々は、統合された神経部分遅延微分方程式の新規で汎用的な方法論を開発した。マルコフ型および非マルコフ型ニューラルネットワーク(NN)の閉包パラメータ化を用いて, 偏微分方程式(PDE)における既存/低忠実度力学モデルを直接拡張する。本研究では, 非線形波動, 衝撃波, 海洋酸性化モデルに基づく4つの実験セットを用いて, 新しい一般化ニューラルクロージャモデル(gnCMs)の枠組みを実証する。
論文参考訳（メタデータ） (2023-01-15T21:57:43Z)
Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文参考訳（メタデータ） (2022-02-07T17:47:46Z)
Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文参考訳（メタデータ） (2020-09-29T12:50:33Z)
Stochasticity in Neural ODEs: An Empirical Study [68.8204255655161]
ニューラルネットワークの正規化(ドロップアウトなど)は、より高度な一般化を可能にするディープラーニングの広範な技術である。トレーニング中のデータ拡張は、同じモデルの決定論的およびバージョンの両方のパフォーマンスを向上させることを示す。しかし、データ拡張によって得られる改善により、経験的正規化の利得は完全に排除され、ニューラルODEとニューラルSDEの性能は無視される。
論文参考訳（メタデータ） (2020-02-22T22:12:56Z)

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。