論文の概要: Minimum Reduced-Order Models via Causal Inference

• arxiv url: http://arxiv.org/abs/2407.00271v1
• Date: Sat, 29 Jun 2024 01:24:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-04 05:41:03.369177
• Title: Minimum Reduced-Order Models via Causal Inference
• Title（参考訳）: 因果推論による最小次モデル
• Authors: Nan Chen, Honghu Liu,
• Abstract要約: 我々は、因果エントロピーと呼ばれる情報理論指標を用いて、スパース構造を持つ巧妙な低次モデルを特定するための効率的なアプローチを分析する。 このアプローチは、ダイナミックな影響の少ない項を排除し、本質的な物理学を保った擬似構造へと導かれる。 この手法の有効性は, 諸目的にスパース因果ROMを構築することによって, 倉本・シヴァシンスキー方程式により示される。
• 参考スコア（独自算出の注目度）: 2.300302733934937
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Enhancing the sparsity of data-driven reduced-order models (ROMs) has gained increasing attention in recent years. In this work, we analyze an efficient approach to identifying skillful ROMs with a sparse structure using an information-theoretic indicator called causation entropy. The causation entropy quantifies in a statistical way the additional contribution of each term to the underlying dynamics beyond the information already captured by all the other terms in the ansatz. By doing so, the causation entropy assesses the importance of each term to the dynamics before a parameter estimation procedure is performed. Thus, the approach can be utilized to eliminate terms with little dynamic impact, leading to a parsimonious structure that retains the essential physics. To circumvent the difficulty of estimating high-dimensional probability density functions (PDFs) involved in the causation entropy computation, we leverage Gaussian approximations for such PDFs, which are demonstrated to be sufficient even in the presence of highly non-Gaussian dynamics. The effectiveness of the approach is illustrated by the Kuramoto-Sivashinsky equation by building sparse causation-based ROMs for various purposes, such as recovering long-term statistics and inferring unobserved dynamics via data assimilation with partial observations.
• Abstract（参考訳）: 近年,データ駆動型低次モデル(ROM)の普及が注目されている。 本研究では、因果エントロピーと呼ばれる情報理論指標を用いて、スパース構造を持つ熟練ROMを同定する効率的な手法を解析する。 因果エントロピー(英: causation entropy)は、アンザッツの他の全ての項によって既に取得されている情報を超えた、基礎となる力学への各項の追加的な寄与を統計的に定量化する。 これにより、因果エントロピーはパラメータ推定手順を実行する前に各項の重要性を動的に評価する。 したがって、この手法は動的影響の少ない項を除去するために利用することができ、本質的な物理学を保った擬似構造に繋がる。 因果エントロピー計算に係わる高次元確率密度関数(PDF)を推定することの難しさを回避するために、高非ガウス力学の存在下でも十分であることを示すようなPDFに対してガウス近似を利用する。 この手法の有効性を倉本・シヴァシンスキー方程式で示し、長期統計の復元や部分的な観測とデータ同化による未観測のダイナミクスの推測など、様々な目的のためにスパース因果ROMを構築した。

関連論文リスト

• Distributed Stochastic Gradient Descent with Staleness: A Stochastic Delay Differential Equation Based Framework [56.82432591933544]
  分散勾配降下(SGD)は、計算リソースのスケーリング、トレーニング時間の短縮、マシンラーニングにおけるユーザのプライバシ保護の支援などにより、近年注目されている。 本稿では,遅延微分方程式(SDDE)と勾配到着の近似に基づく分散SGDの実行時間と安定化について述べる。 活性化作業員の増加は, 安定度による分散SGDを必ずしも加速させるものではないことが興味深い。
  論文  参考訳（メタデータ） (2024-06-17T02:56:55Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Statistical Mechanics of Dynamical System Identification [2.8820361301109365]
  我々はスパース方程式探索アルゴリズムを解析するための統計力学手法を開発した。 与えられたモデルの雑音を推定する閉ループ推定法を提案する。 このスパース方程式発見の観点は万能であり、他の様々な方程式発見アルゴリズムに適応することができる。
  論文  参考訳（メタデータ） (2024-03-04T04:32:28Z)
• Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
  ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。 カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。 我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-09T03:55:09Z)
• 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)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• A Causality-Based Learning Approach for Discovering the Underlying Dynamics of Complex Systems from Partial Observations with Stochastic Parameterization [1.2882319878552302]
  本稿では,部分的な観測を伴う複雑な乱流系の反復学習アルゴリズムを提案する。 モデル構造を識別し、観測されていない変数を復元し、パラメータを推定する。 数値実験により、新しいアルゴリズムはモデル構造を同定し、多くの複雑な非線形系に対して適切なパラメータ化を提供することに成功した。
  論文  参考訳（メタデータ） (2022-08-19T00:35:03Z)
• Learning Summary Statistics for Bayesian Inference with Autoencoders [58.720142291102135]
  我々は,ディープニューラルネットワークに基づくオートエンコーダの内部次元を要約統計として利用する。 パラメータ関連情報を全て符号化するエンコーダのインセンティブを作成するため,トレーニングデータの生成に使用した暗黙的情報にデコーダがアクセスできるようにする。
  論文  参考訳（メタデータ） (2022-01-28T12:00:31Z)
• Extracting Governing Laws from Sample Path Data of Non-Gaussian Stochastic Dynamical Systems [4.527698247742305]
  我々は、利用可能なデータから非ガウスL'evy雑音の方程式を推定し、動的挙動を合理的に予測する。 理論的枠組みを確立し、非対称なL'evyジャンプ測度、ドリフト、拡散を計算する数値アルゴリズムを設計する。 この方法は、利用可能なデータセットから規制法則を発見し、複雑なランダム現象のメカニズムを理解するのに有効なツールとなる。
  論文  参考訳（メタデータ） (2021-07-21T14:50:36Z)
• Learning effective stochastic differential equations from microscopic simulations: combining stochastic numerics and deep learning [0.46180371154032895]
  ニューラルネットワークを用いた実効SDEにおけるドリフトと拡散関数を近似した。 当社のアプローチでは、長いトラジェクトリを必要とせず、散在するスナップショットデータで動作し、スナップショット毎に異なるタイムステップを自然に処理するように設計されています。
  論文  参考訳（メタデータ） (2021-06-10T13:00:18Z)

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。