論文の概要: A data-driven approach to modeling brain activity using differential equations
- arxiv url: http://arxiv.org/abs/2407.00824v1
- Date: Sun, 14 Apr 2024 17:33:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 22:38:24.157055
- Title: A data-driven approach to modeling brain activity using differential equations
- Title(参考訳): 微分方程式を用いた脳活動のモデル化のためのデータ駆動型アプローチ
- Authors: Kuratov Andrey,
- Abstract要約: この研究は、不完全データから方程式を抽出する革新的なタスクに焦点を合わせ、完全解の伝統的な方法から遠ざかる。
この研究は、特に、不十分な情報によって制限される電気生理学的データを用いた脳活動の研究において、データから方程式を抽出するという課題に対処する。
- 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: This research focuses on an innovative task of extracting equations from incomplete data, moving away from traditional methods used for complete solutions. The study addresses the challenge of extracting equations from data, particularly in the study of brain activity using electrophysiological data, which is often limited by insufficient information. The study provides a brief review of existing open-source equation derivation approaches in the context of modeling brain activity. The section below introduces a novel algorithm that employs incomplete data and prior domain knowledge to recover differential equations. The algorithm's practicality in real-world scenarios is demonstrated through its application on both synthetic and real datasets.
- Abstract(参考訳): この研究は、不完全データから方程式を抽出する革新的なタスクに焦点を合わせ、完全解の伝統的な方法から遠ざかる。
この研究は、特に、不十分な情報によって制限される電気生理学的データを用いた脳活動の研究において、データから方程式を抽出するという課題に対処する。
この研究は、脳活動のモデル化の文脈において、既存のオープンソースの方程式導出アプローチの簡単なレビューを提供する。
下記の節では、不完全データと事前ドメイン知識を用いて微分方程式を復元する新しいアルゴリズムを紹介している。
実世界のシナリオにおけるアルゴリズムの実用性は、合成データセットと実データの両方に適用することで実証される。
関連論文リスト
- Equation discovery framework EPDE: Towards a better equation discovery [50.79602839359522]
進化的最適化に基づく発見フレームワークであるEPDEアルゴリズムを強化する。
提案手法は基本関数や個人差分といった基本構造ブロックを用いて用語を生成する。
我々は,提案アルゴリズムの耐雑音性および全体的な性能を,最先端の方程式探索フレームワークであるSINDyの結果と比較することによって検証する。
論文 参考訳(メタデータ) (2024-12-28T15:58:44Z) - 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) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-10-10T13:23:05Z) - A Robust SINDy Approach by Combining Neural Networks and an Integral
Form [8.950469063443332]
ノイズや不足データから支配方程式を発見するためのロバストな手法を提案する。
ニューラルネットワークを用いて、測定データに基づいて暗黙の表現を学習する。
自動微分ツールを用いて、SINDyに必要な微分情報を得る。
論文 参考訳(メタデータ) (2023-09-13T10:50:04Z) - Towards true discovery of the differential equations [57.089645396998506]
微分方程式探索は、解釈可能なモデルを開発するために使用される機械学習サブフィールドである。
本稿では,専門家の入力を伴わない独立方程式発見のための前提条件とツールについて検討する。
論文 参考訳(メタデータ) (2023-08-09T12:03:12Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳(メタデータ) (2022-09-05T16:48:34Z) - D-CIPHER: Discovery of Closed-form Partial Differential Equations [80.46395274587098]
D-CIPHERは人工物の測定に頑健であり、微分方程式の新しい、非常に一般的なクラスを発見できる。
さらに,D-CIPHERを効率的に探索するための新しい最適化手法であるCoLLieを設計する。
論文 参考訳(メタデータ) (2022-06-21T17:59:20Z) - Learning differential equations from data [0.0]
近年,データ量の多さから,データから微分方程式モデルを学習するためのデータ駆動手法の探索が活発に行われている。
本稿では,複数の隠蔽層と異なるニューラルネットワーク幅を用いて,データからODEを学習することで,フォワード・オイラーに基づくニューラルネットワークモデルを提案し,その性能を検証した。
論文 参考訳(メタデータ) (2022-05-23T17:36:28Z) - Learning ODE Models with Qualitative Structure Using Gaussian Processes [0.6882042556551611]
多くのコンテキストにおいて、明示的なデータ収集は高価であり、学習アルゴリズムはデータ効率が良くなければならない。
スパースガウス過程を用いて微分方程式のベクトル場を学習する手法を提案する。
この組み合わせにより,外挿性能と長期的挙動が大幅に向上し,計算コストの低減が図られる。
論文 参考訳(メタデータ) (2020-11-10T19:34:07Z) - Computational model discovery with reinforcement learning [3.005240085945858]
この研究の動機は、人工知能研究の最近の進歩を利用して、計算科学で遭遇した科学的問題に対する新しい解決策を解き放つことである。
そこで我々は,人間の思考を人工知能で補うことを提案する。
論文 参考訳(メタデータ) (2019-12-29T22:56:40Z)
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。