論文の概要: LC-SVD-DLinear: A low-cost physics-based hybrid machine learning model for data forecasting using sparse measurements

• arxiv url: http://arxiv.org/abs/2411.17433v1
• Date: Tue, 26 Nov 2024 13:43:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-27 13:33:58.732544
• Title: LC-SVD-DLinear: A low-cost physics-based hybrid machine learning model for data forecasting using sparse measurements
• Title（参考訳）: LC-SVD-DLinear:スパース計測を用いたデータ予測のための低コスト物理ベースハイブリッド機械学習モデル
• Authors: Ashton Hetherington, Javier López Leonés, Soledad Le Clainche,
• Abstract要約: 本稿では, 特異値分解(SVD)と浅い線形ニューラルネットワークを統合して高分解能流体力学データの予測を行う手法を提案する。 本稿では,高階特異値分解アルゴリズムの低コストバージョンと高階データ用に設計されたDLinearネットワークを組み合わせたLC-HOSVD-DLinearを提案する。
• 参考スコア（独自算出の注目度）: 2.519319150166215
• License:
• Abstract: This article introduces a novel methodology that integrates singular value decomposition (SVD) with a shallow linear neural network for forecasting high resolution fluid mechanics data. The method, termed LC-SVD-DLinear, combines a low-cost variant of singular value decomposition (LC-SVD) with the DLinear architecture, which decomposes the input features-specifically, the temporal coefficients-into trend and seasonality components, enabling a shallow neural network to capture the non-linear dynamics of the temporal data. This methodology uses under-resolved data, which can either be input directly into the hybrid model or downsampled from high resolution using two distinct techniques provided by the methodology. Working with under-resolved cases helps reduce the overall computational cost. Additionally, we present a variant of the method, LC-HOSVD-DLinear, which combines a low-cost version of the high-order singular value decomposition (LC-HOSVD) algorithm with the DLinear network, designed for high-order data. These approaches have been validated using two datasets: first, a numerical simulation of three-dimensional flow past a circular cylinder at $Re = 220$; and second, an experimental dataset of turbulent flow passing a circular cylinder at $Re = 2600$. The combination of these datasets demonstrates the robustness of the method. The forecasting and reconstruction results are evaluated through various error metrics, including uncertainty quantification. The work developed in this article will be included in the next release of ModelFLOWs-app
• Abstract（参考訳）: 本稿では, 特異値分解(SVD)と浅い線形ニューラルネットワークを統合して高分解能流体力学データの予測を行う手法を提案する。 LC-SVD-DLinearと呼ばれるこの手法は、低コストの特異値分解(LC-SVD)とDLinearアーキテクチャを結合し、入力特徴を特異的に分解する。 この手法は未解決データを使用し、ハイブリッドモデルに直接入力するか、方法論によって提供される2つの異なる手法を用いて高解像度からサンプル化することができる。 未解決のケースを扱うことは、全体的な計算コストを削減するのに役立ちます。 さらに,高階特異値分解(LC-HOSVD)アルゴリズムの低コスト版と高階データ用に設計されたDLinearネットワークを組み合わせたLC-HOSVD-DLinearを提案する。 これらの手法は2つのデータセットを用いて検証されている: 1つは円柱を過ぎる3次元流れの数値シミュレーションで、もう1つは円柱を過ぎる220$、もう1つは円柱を通過する2600$の乱流の実験的データセットである。 これらのデータセットの組み合わせは、手法の堅牢性を示している。 予測および再構成結果は,不確実性定量化を含む様々な誤差指標を用いて評価される。 この記事では、ModelFLOWs-appの次のリリースに含まれる。

関連論文リスト

• Data-Augmented Predictive Deep Neural Network: Enhancing the extrapolation capabilities of non-intrusive surrogate models [0.5735035463793009]
  本稿では、カーネル動的モード分解(KDMD)を用いて、畳み込みオートエンコーダ(CAE)のエンコーダ部が生成する潜伏空間のダイナミクスを進化させる新しいディープラーニングフレームワークを提案する。 KDMD-decoder-extrapolated dataを元のデータセットに追加した後、この拡張データを用いてフィードフォワードディープニューラルネットワークと共にCAEをトレーニングする。 トレーニングされたネットワークは、トレーニング外のパラメータサンプルでトレーニング時間間隔外の将来の状態を予測できる。
  論文  参考訳（メタデータ） (2024-10-17T09:26:14Z)
• Transfer Learning on Multi-Dimensional Data: A Novel Approach to Neural Network-Based Surrogate Modeling [0.0]
  畳み込みニューラルネットワーク(CNN)はそのようなサロゲートモデルの基礎として人気を集めている。 本稿では,$d$次元問題と$d-1$次元近似の両方に対する数値解の混合によるCNN代理モデルのトレーニングを提案する。 転送学習を用いて,2種類のデータに対して,高密度な完全畳み込みエンコーダ・デコーダCNNを学習する多相フローテスト問題に対するアプローチを実証する。
  論文  参考訳（メタデータ） (2024-10-16T05:07:48Z)
• Low-rank extended Kalman filtering for online learning of neural networks from streaming data [71.97861600347959]
  非定常データストリームから非線形関数のパラメータを推定するための効率的なオンライン近似ベイズ推定アルゴリズムを提案する。 この方法は拡張カルマンフィルタ (EKF) に基づいているが、新しい低ランク+斜角行列分解法を用いている。 変分推論に基づく手法とは対照的に,本手法は完全に決定論的であり,ステップサイズチューニングを必要としない。
  論文  参考訳（メタデータ） (2023-05-31T03:48:49Z)
• FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
  我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。 Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
  論文  参考訳（メタデータ） (2022-10-26T00:23:36Z)
• $\textit{FastSVD-ML-ROM}$: A Reduced-Order Modeling Framework based on Machine Learning for Real-Time Applications [0.0]
  高忠実度数値シミュレーションは工学設計のバックボーンを構成する。 高忠実度解を近似するために、低次モデル (ROM) を用いる。 本研究は,ROM開発のための機械学習(ML)プラットフォームを提案する。
  論文  参考訳（メタデータ） (2022-07-24T23:11:07Z)
• Forecasting Multilinear Data via Transform-Based Tensor Autoregression [0.0]
  本研究の目的は,時系列システムと多線形システムを組み合わせることで,これらの目標を達成することである。 従来の自己回帰手法を拡張して,L-Transform autoregressive (L-TAR) と命名した。 本稿では, 画像収集, ビデオシーケンス, 海面温度測定, 株価, ネットワークを含むデータセットに関する実験的検討を行った。
  論文  参考訳（メタデータ） (2022-05-24T16:56:35Z)
• Accurate Discharge Coefficient Prediction of Streamlined Weirs by Coupling Linear Regression and Deep Convolutional Gated Recurrent Unit [2.4475596711637433]
  本研究では,CFDシミュレーションに代わるデータ駆動モデリング手法を提案する。 提案した3層階層型DLアルゴリズムは,後続の2つのGRUレベルを結合した畳み込み層で構成されており,LR法とハイブリダイゼーションすることで,誤差の低減につながることがわかった。
  論文  参考訳（メタデータ） (2022-04-12T01:59:36Z)
• Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
  本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。 最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。 提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
  論文  参考訳（メタデータ） (2021-11-26T18:44:59Z)
• Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via GDPA Linearization [59.87663954467815]
  アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。 本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。 実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
  論文  参考訳（メタデータ） (2021-09-10T07:01:15Z)
• SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
  既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。 KRRのストリーミング版であるStreaMRAKを提案する。 本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
  論文  参考訳（メタデータ） (2021-08-23T21:03:09Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)

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。