論文の概要: Estimation of System Parameters Including Repeated Cross-Sectional Data through Emulator-Informed Deep Generative Model
- arxiv url: http://arxiv.org/abs/2412.19517v1
- Date: Fri, 27 Dec 2024 08:19:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-30 17:29:12.738977
- Title: Estimation of System Parameters Including Repeated Cross-Sectional Data through Emulator-Informed Deep Generative Model
- Title（参考訳）: エミュレータインフォームド深部生成モデルによる繰り返し断面データを含むシステムパラメータの推定
- Authors: Hyunwoo Cho, Sung Woong Cho, Hyeontae Jo, Hyung Ju Hwang,
- Abstract要約: 政治、経済学、生物学において、利用可能なデータは、しばしば異なる主題から異なる時点に独立して収集される。
従来の最適化手法は、RCSデータが様々な不均一性を示すとき、DECパラメータを正確に推定するのに苦労する。
エミュレータインフォームド・ディープジェネレーション・モデル(EIDGM)と呼ばれる新しい推定法を提案する。
EIDGMは物理インフォームドニューラルネットワークベースのエミュレータを統合しており、DECソリューションとワッサーシュタイン生成逆ネットワークベースのパラメータジェネレータを即座に生成する。
- 参考スコア（独自算出の注目度）: 5.3060535072023844
- License:
- Abstract: Differential equations (DEs) are crucial for modeling the evolution of natural or engineered systems. Traditionally, the parameters in DEs are adjusted to fit data from system observations. However, in fields such as politics, economics, and biology, available data are often independently collected at distinct time points from different subjects (i.e., repeated cross-sectional (RCS) data). Conventional optimization techniques struggle to accurately estimate DE parameters when RCS data exhibit various heterogeneities, leading to a significant loss of information. To address this issue, we propose a new estimation method called the emulator-informed deep-generative model (EIDGM), designed to handle RCS data. Specifically, EIDGM integrates a physics-informed neural network-based emulator that immediately generates DE solutions and a Wasserstein generative adversarial network-based parameter generator that can effectively mimic the RCS data. We evaluated EIDGM on exponential growth, logistic population models, and the Lorenz system, demonstrating its superior ability to accurately capture parameter distributions. Additionally, we applied EIDGM to an experimental dataset of Amyloid beta 40 and beta 42, successfully capturing diverse parameter distribution shapes. This shows that EIDGM can be applied to model a wide range of systems and extended to uncover the operating principles of systems based on limited data.
- Abstract（参考訳）: 微分方程式(DE)は自然あるいは工学的なシステムの進化をモデル化するために重要である。
伝統的に、DESのパラメータは、システム観測のデータに適合するように調整される。
しかし、政治、経済学、生物学などの分野において、利用可能なデータは、しばしば異なる主題(繰り返し断面積(RCS)データ)から異なる時点に独立して収集される。
従来の最適化手法では、RCSデータが様々な異種性を示すとき、DEMパラメータを正確に推定することは困難であり、情報に大きな損失をもたらす。
そこで本研究では,RCSデータを扱うためのエミュレータインフォームド・ディープジェネレーション・モデル (EIDGM) を提案する。
具体的には、EIDGMは物理インフォームドニューラルネットワークベースのエミュレータを内蔵し、DEMソリューションと、RCSデータを効果的に模倣できるWasserstein生成逆ネットワークベースのパラメータジェネレータを即座に生成する。
EIDGMを指数的成長,ロジスティック人口モデル,ロレンツシステムで評価し,パラメータ分布を正確に把握する能力を示した。
さらに,EIDGMをアミロイドβ40とベータ42の実験データセットに適用し,パラメータ分布の多様さの把握に成功した。
このことは、EIDGMが幅広いシステムのモデル化に適用でき、限られたデータに基づいてシステムの動作原理を明らかにするために拡張されたことを示している。
関連論文リスト
- Analysis, forecasting and system identification of a floating offshore wind turbine using dynamic mode decomposition [0.0]
本稿では, 動的モード分解(DMD)を応用したヘキサフロート浮揚風力タービンの動特性の, データ駆動式フリーモデリングについて述べる。
そこで,DMD は,システム同定と秩序の低減のために,システム状態の即時的知識から短期的な予測を行うために,i) 動的システムから知識を抽出するために,i) モーダル解析(ii) を用いている。
結果は、短期予測とシステム同定のためのアプローチの能力を示し、リアルタイム連続学習デジタルツインニングの可能性を示し、データ駆動型縮小順序モデリングを代理する。
論文 参考訳（メタデータ） (2024-11-08T18:38:29Z) - Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。
時間間隔推定を組み込んだ拡散モデルである。
我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文 参考訳（メタデータ） (2024-06-20T02:20:23Z) - Automating the Discovery of Partial Differential Equations in Dynamical Systems [0.0]
適応型ラッソを用いてスパースレグレッションを利用して自動的にPDEを識別するARGOSフレームワークARGOS-RALの拡張を提案する。
各種ノイズレベルおよびサンプルサイズの下での標準PDEの同定におけるARGOS-RALの性能を厳格に評価した。
以上の結果から,ARGOS-ALはデータから基礎となるPDEを効果的かつ確実に同定し,ほとんどの場合において逐次しきい値リッジ回帰法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2024-04-25T09:23:03Z) - Estimating the Distribution of Parameters in Differential Equations with Repeated Cross-Sectional Data [5.79648227233365]
経済、政治、生物学において、時系列における観測データポイントは独立して取得されることが多い。
微分方程式におけるパラメータ推定の伝統的な手法は、パラメータ分布の形状を推定する際の限界がある。
本稿では,新しい手法,推定手法を提案する。
EPD – データ情報を失うことなくパラメータの正確な分布を提供する。
論文 参考訳（メタデータ） (2024-04-23T10:01:43Z) - 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) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Learning Nonautonomous Systems via Dynamic Mode Decomposition [0.0]
動的モード分解(DMD)に基づく時間依存入力を持つ未知の非線形力学系に対するデータ駆動学習手法を提案する。
時間依存クープマン演算子を非正則系に近似することの難しさを回避するため、修正されたシステムは元の非正則系の近似として用いられる。
論文 参考訳（メタデータ） (2023-06-27T16:58:26Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。
本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。
このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文 参考訳（メタデータ） (2020-09-29T12:50:33Z)
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。