論文の概要: Baseflow identification via explainable AI with Kolmogorov-Arnold networks
- arxiv url: http://arxiv.org/abs/2410.11587v1
- Date: Thu, 10 Oct 2024 18:56:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-16 14:01:28.943949
- Title: Baseflow identification via explainable AI with Kolmogorov-Arnold networks
- Title（参考訳）: Kolmogorov-Arnoldネットワークを用いた説明可能なAIによるベースフロー同定
- Authors: Chuyang Liu, Tirthankar Roy, Daniel M. Tartakovsky, Dipankar Dwivedi,
- Abstract要約: 我々は記号表現を識別するために設計されたニューラルネットワークのクラスを開発する。
Kanは単純さと透明性の利点を提供し、特定のソフトウェアや計算ツールを必要としない。
このケーススタディでは、乾燥度指数の定式化に焦点が当てられているが、そのアプローチは柔軟で、他の水理過程に伝達可能である。
- 参考スコア（独自算出の注目度）: 0.09999629695552195
- License:
- Abstract: Hydrological models often involve constitutive laws that may not be optimal in every application. We propose to replace such laws with the Kolmogorov-Arnold networks (KANs), a class of neural networks designed to identify symbolic expressions. We demonstrate KAN's potential on the problem of baseflow identification, a notoriously challenging task plagued by significant uncertainty. KAN-derived functional dependencies of the baseflow components on the aridity index outperform their original counterparts. On a test set, they increase the Nash-Sutcliffe Efficiency (NSE) by 67%, decrease the root mean squared error by 30%, and increase the Kling-Gupta efficiency by 24%. This superior performance is achieved while reducing the number of fitting parameters from three to two. Next, we use data from 378 catchments across the continental United States to refine the water-balance equation at the mean-annual scale. The KAN-derived equations based on the refined water balance outperform both the current aridity index model, with up to a 105% increase in NSE, and the KAN-derived equations based on the original water balance. While the performance of our model and tree-based machine learning methods is similar, KANs offer the advantage of simplicity and transparency and require no specific software or computational tools. This case study focuses on the aridity index formulation, but the approach is flexible and transferable to other hydrological processes.
- Abstract（参考訳）: 水理モデルはしばしば、すべての応用において最適でない構成法則を含む。
シンボル表現を識別するために設計されたニューラルネットワークのクラスであるKAN(Kolmogorov-Arnold Network)に置き換えることを提案する。
本稿では,基地フロー同定問題におけるKANの可能性を実証する。
乾燥度指数に対するベースフローコンポーネントの機能的依存関係は、元のコンポーネントよりも優れています。
テストセットでは、ナッシュ・サトクリフ効率(NSE)を67%、ルート平均2乗誤差を30%、クリング・グプタ効率を24%向上させる。
この優れた性能は、適合パラメータを3つから2つに減らしながら達成される。
次に、米国大陸の378の漁獲量から得られたデータを用いて、平均年次スケールで水収支方程式を洗練します。
改良水収支に基づくカン系方程式は, 現行の乾燥度指数モデル, NSEの最大105%増加, 原水収支に基づくカン系方程式よりも優れていた。
我々のモデルとツリーベースの機械学習手法のパフォーマンスは似ているが、KANSAは単純さと透明性の利点を提供し、特定のソフトウェアや計算ツールを必要としない。
このケーススタディでは、乾燥度指数の定式化に焦点が当てられているが、そのアプローチは柔軟で、他の水理過程に伝達可能である。
関連論文リスト
- Rational-WENO: A lightweight, physically-consistent three-point weighted essentially non-oscillatory scheme [14.120671138290104]
我々は、解の局所的な滑らかさを正確に推定するために有理ニューラルネットワークを用いる。
この手法は, 散逸を著しく低減した粒度の再構築を実現する。
提案手法の有効性を,数個の1次元,2次元,3次元の流体問題に対して示す。
論文 参考訳（メタデータ） (2024-09-13T22:11:03Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - Reversible Quantization Index Modulation for Static Deep Neural Network
Watermarking [57.96787187733302]
可逆的データ隠蔽法(RDH)は潜在的な解決策を提供するが、既存のアプローチはユーザビリティ、キャパシティ、忠実性の面で弱点に悩まされている。
量子化指数変調(QIM)を用いたRDHに基づく静的DNN透かし手法を提案する。
提案手法は,透かし埋め込みのための1次元量化器に基づく新しい手法を取り入れたものである。
論文 参考訳（メタデータ） (2023-05-29T04:39:17Z) - On the effectiveness of partial variance reduction in federated learning
with heterogeneous data [27.527995694042506]
クライアント間の最終分類層の多様性は、FedAvgアルゴリズムの性能を阻害することを示す。
そこで本研究では,最終層のみの分散還元によるモデル修正を提案する。
同様の通信コストや低い通信コストで既存のベンチマークを著しく上回っていることを実証する。
論文 参考訳（メタデータ） (2022-12-05T11:56:35Z) - A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive
Coding Networks [65.34977803841007]
予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。
シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
論文 参考訳（メタデータ） (2022-11-16T00:11:04Z) - Neural Basis Functions for Accelerating Solutions to High Mach Euler
Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。
ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。
これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文 参考訳（メタデータ） (2022-08-02T18:27:13Z) - Uncertainty quantification of two-phase flow in porous media via
coupled-TgNN surrogate model [6.705438773768439]
地下二相流の不確実性定量化(UQ)は通常、様々な条件下でのフォワードシミュレーションの多数の実行を必要とする。
本研究では, 理論誘導型ニューラルネットワーク(TgNN)をベースとした新しいサロゲートモデルを構築し, 良好な精度で効率を向上する。
論文 参考訳（メタデータ） (2022-05-28T02:33:46Z) - Deep Equilibrium Optical Flow Estimation [80.80992684796566]
最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。
これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。
暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
論文 参考訳（メタデータ） (2022-04-18T17:53:44Z) - Surrogate-based optimization using an artificial neural network for a
parameter identification in a 3D marine ecosystem model [0.0]
海洋生態系モデルの同定は,観測データに対する海洋生態系モデルの評価と検証に重要である。
SBO(Surrogate-based optimization)は、複雑なモデルを最適化する計算効率の良い手法である。
論文 参考訳（メタデータ） (2021-11-30T17:43:32Z) - Robust Implicit Networks via Non-Euclidean Contractions [63.91638306025768]
暗黙のニューラルネットワークは、精度の向上とメモリ消費の大幅な削減を示す。
彼らは不利な姿勢と収束の不安定さに悩まされる。
本論文は,ニューラルネットワークを高機能かつ頑健に設計するための新しい枠組みを提供する。
論文 参考訳（メタデータ） (2021-06-06T18:05:02Z) - Missing Features Reconstruction Using a Wasserstein Generative
Adversarial Imputation Network [0.0]
特徴再構成における生成モデルと非生成モデルの使用について実験的に検討した。
任意条件付き生成オートエンコーダ(VAEAC)とGAIN(Generative Adversarial Imputation Network)を生成モデルの代表として研究した。
WGAIN を GAIN のワッサースタイン修飾法として導入し,欠損度が 30% 以下である場合に最も優れた計算モデルであることが判明した。
論文 参考訳（メタデータ） (2020-06-21T11:53:55Z)
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。