Fugu-MT 論文翻訳(概要): Multifidelity Kolmogorov-Arnold Networks

論文の概要: Multifidelity Kolmogorov-Arnold Networks

arxiv url: http://arxiv.org/abs/2410.14764v1
Date: Fri, 18 Oct 2024 15:23:51 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-22 13:15:52.255677
Title: Multifidelity Kolmogorov-Arnold Networks
Title（参考訳）: Multifidelity Kolmogorov-Arnold Networks
Authors: Amanda A. Howard, Bruno Jacob, Panos Stinis,
Abstract要約: マルチフィデリティ・コルモゴロフ・アルノルドネットワーク(KAN)は、低フィデリティモデルと少量の高フィデリティデータを用いて、高フィデリティデータのモデルを正確に訓練する。トレーニングデータを用いることなく, 物理インフォームド・カン(PIKAN)の精度向上に多元性 Kan が有効であることを示す。
参考スコア（独自算出の注目度）: 0.9999629695552196
License:
Abstract: We develop a method for multifidelity Kolmogorov-Arnold networks (KANs), which use a low-fidelity model along with a small amount of high-fidelity data to train a model for the high-fidelity data accurately. Multifidelity KANs (MFKANs) reduce the amount of expensive high-fidelity data needed to accurately train a KAN by exploiting the correlations between the low- and high-fidelity data to give accurate and robust predictions in the absence of a large high-fidelity dataset. In addition, we show that multifidelity KANs can be used to increase the accuracy of physics-informed KANs (PIKANs), without the use of training data.
Abstract（参考訳）: 我々は,低忠実度モデルと少量の高忠実度データを用いて,高忠実度データのためのモデルを正確に訓練する多忠実度コルモゴロフ・アルノルドネットワーク(KAN)を提案する。 MFKAN(Multifidelity Kans)は、高忠実度データセットが存在しない場合に、低忠実度データと高忠実度データの相関を利用して、カンを正確に訓練するために必要な高価な高忠実度データの量を削減する。さらに, 物理インフォームド・カン(PIKAN)の精度を向上させるために, トレーニングデータを用いずに多忠実なkanを使用できることを示す。

関連論文リスト

Practical multi-fidelity machine learning: fusion of deterministic and Bayesian models [0.34592277400656235]
マルチフィデリティ機械学習手法は、少ないリソース集約型高フィデリティデータと、豊富なが精度の低い低フィデリティデータを統合する。低次元領域と高次元領域にまたがる問題に対する実用的多面性戦略を提案する。
論文参考訳（メタデータ） (2024-07-21T10:40:50Z)
Multi-Fidelity Bayesian Neural Network for Uncertainty Quantification in Transonic Aerodynamic Loads [0.0]
本稿では,多要素ベイズニューラルネットワークモデルを実装し,異なる忠実度モデルによって生成されたデータに転送学習を適用した。その結果,マルチ忠実ベイズモデルでは,非表示データに対する総合的精度とロバスト性の観点から,最先端のCo-Krigingよりも優れていた。
論文参考訳（メタデータ） (2024-07-08T07:34:35Z)
An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
論文参考訳（メタデータ） (2024-04-29T05:55:23Z)
Multi-Fidelity Residual Neural Processes for Scalable Surrogate Modeling [19.60087366873302]
マルチフィデリティ・サロゲートモデリングは,最も高いフィデリティレベルで正確なサロゲートを学習することを目的としている。ディープラーニングアプローチでは、ニューラルネットワークベースのエンコーダとデコーダを使用してスケーラビリティを向上させる。本稿では,MFRNP(Multi-fidelity Residual Neural Processs)を提案する。
論文参考訳（メタデータ） (2024-02-29T04:40:25Z)
Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-12-22T02:12:08Z)
Multi-fidelity prediction of fluid flow and temperature field based on transfer learning using Fourier Neural Operator [10.104417481736833]
本研究では,フーリエニューラル演算子に基づく新しい多要素学習手法を提案する。トランスファーラーニングパラダイムの下では、豊富な低忠実度データと限られた高忠実度データを使用する。提案した多忠実度モデルの精度を検証するために,3つの典型的な流体および温度予測問題を選択する。
論文参考訳（メタデータ） (2023-04-14T07:46:03Z)
Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
論文参考訳（メタデータ） (2023-03-24T16:03:21Z)
FedSkip: Combatting Statistical Heterogeneity with Federated Skip Aggregation [95.85026305874824]
我々はFedSkipと呼ばれるデータ駆動型アプローチを導入し、フェデレーション平均化を定期的にスキップし、ローカルモデルをクロスデバイスに分散することで、クライアントの最適化を改善する。我々は、FedSkipがはるかに高い精度、より良いアグリゲーション効率、競合する通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行う。
論文参考訳（メタデータ） (2022-12-14T13:57:01Z)
FedDM: Iterative Distribution Matching for Communication-Efficient Federated Learning [87.08902493524556]
フェデレートラーニング(FL)は近年、学術や産業から注目を集めている。我々は,複数の局所的代理関数からグローバルなトレーニング目標を構築するためのFedDMを提案する。そこで本研究では,各クライアントにデータ集合を構築し,元のデータから得られた損失景観を局所的にマッチングする。
論文参考訳（メタデータ） (2022-07-20T04:55:18Z)
Towards Fair Federated Learning with Zero-Shot Data Augmentation [123.37082242750866]
フェデレーション学習は重要な分散学習パラダイムとして登場し、サーバはクライアントデータにアクセスせずに、多くのクライアントがトレーニングしたモデルからグローバルモデルを集約する。本稿では, 統計的不均一性を緩和し, フェデレートネットワークにおけるクライアント間での精度向上を図るために, ゼロショットデータ拡張を用いた新しいフェデレーション学習システムを提案する。 Fed-ZDAC (クライアントでのゼロショットデータ拡張によるフェデレーション学習) と Fed-ZDAS (サーバでのゼロショットデータ拡張によるフェデレーション学習) の2種類について検討する。
論文参考訳（メタデータ） (2021-04-27T18:23:54Z)
Multi-fidelity regression using artificial neural networks: efficient approximation of parameter-dependent output quantities [0.17499351967216337]
本稿では,多元性回帰問題に対するニューラルネットワークの利用について述べる。導入されたモデルは、従来のマルチファイアリティスキームと比較されます。また、工学的問題に対するマルチファイダリグレッションの適用も示します。
論文参考訳（メタデータ） (2021-02-26T11:29:00Z)

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。