論文の概要: Principled model selection for stochastic dynamics

• arxiv url: http://arxiv.org/abs/2501.10339v1
• Date: Fri, 17 Jan 2025 18:23:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-20 13:59:08.659174
• Title: Principled model selection for stochastic dynamics
• Title（参考訳）: 確率力学の原理的モデル選択
• Authors: Andonis Gerardos, Pierre Ronceray,
• Abstract要約: 本稿では,SDEモデルから過剰なパラメータを除去する手法であるParsimonious Inference(PASTIS)を紹介する。 サンプリング率や測定誤差が低い場合でも,関数の大規模なライブラリから,正確な最小モデルを確実に選択できることを示す。 偏微分方程式に拡張し、生態ネットワークと反応拡散力学の推論への応用を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Complex dynamical systems, from macromolecules to ecosystems, are often modeled by stochastic differential equations (SDEs). To learn such models from data, a common approach involves decomposing the SDE into a linear combination of basis functions. However, this can induce overfitting due to the proliferation of parameters. To address this, we introduce Parsimonious Stochastic Inference (PASTIS), a principled method that removes superfluous parameters from SDE models by combining likelihood-estimation statistics with extreme value theory. We benchmark it against existing methods and show that it reliably selects the exact minimal models from large libraries of functions, even with a low sampling rate or measurement error. We show that it extends to stochastic partial differential equations and demonstrate applications to the inference of ecological networks and reaction-diffusion dynamics.
• Abstract（参考訳）: マクロ分子から生態系まで、複雑な力学系は確率微分方程式(SDE)によってモデル化されることが多い。 データからそのようなモデルを学習するには、SDEを基底関数の線形結合に分解する。 しかし、これはパラメータの拡散によって過度な適合を引き起こす可能性がある。 そこで本研究では,確率推定統計と極値理論を組み合わせることで,SDEモデルから超流動パラメータを除去する原理的手法であるParsimonious Stochastic Inference(PASTIS)を紹介する。 既存の手法に対してベンチマークを行い、サンプリング率や測定誤差が低い場合でも、大きな関数ライブラリーから正確な最小限のモデルを確実に選択できることを示します。 確率的偏微分方程式にまで拡張し、生態ネットワークと反応拡散力学の推論への応用を実証する。

関連論文リスト

• Learning Controlled Stochastic Differential Equations [61.82896036131116]
  本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。 我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。 当社のメソッドはオープンソースPythonライブラリとして利用可能です。
  論文  参考訳（メタデータ） (2024-11-04T11:09:58Z)
• Data-driven ODE modeling of the high-frequency complex dynamics via a low-frequency dynamics model [0.0]
  本稿では,流体流の高周波断続挙動を含む流体力学をモデリングする新しい手法を提案する。 1つは基本変数の自律システムであり、もう1つは目的変数が項に影響を受けていることに関するものである。 構成されたジョイントモデルは、短い軌跡だけでなく、長い軌跡から得られたカオス集合と統計的性質の再構築にも成功している。
  論文  参考訳（メタデータ） (2024-09-01T09:06:32Z)
• Data-Driven Stochastic Closure Modeling via Conditional Diffusion Model and Neural Operator [0.0]
  クロージャモデルは、乱流や地球系のような複雑なマルチスケール力学系をシミュレートするのに広く用いられている。 明確なスケールを持たないシステムでは、一般化決定論的および局所閉包モデルは十分な能力に欠けることが多い。 ニューラル演算子と非局所クロージャモデルを構築するためのデータ駆動モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-06T05:21:31Z)
• Adaptive Fuzzy C-Means with Graph Embedding [84.47075244116782]
  ファジィクラスタリングアルゴリズムは、大まかに2つの主要なグループに分類できる: ファジィC平均法(FCM)と混合モデルに基づく方法。 本稿では,FCMを用いたクラスタリングモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-22T08:15:50Z)
• On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
  拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。 本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
  論文  参考訳（メタデータ） (2024-05-18T15:59:41Z)
• Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
  プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。 我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
  論文  参考訳（メタデータ） (2023-07-21T14:25:06Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Bayesian Learning of Coupled Biogeochemical-Physical Models [28.269731698116257]
  海洋生態系の予測モデルは、様々なニーズに使われている。 希少な測定と海洋プロセスの理解が限られているため、かなりの不確実性がある。 候補モデルの空間での処理と新しいモデルの発見を可能にするベイズモデル学習手法を開発した。
  論文  参考訳（メタデータ） (2022-11-12T17:49:18Z)
• On the Influence of Enforcing Model Identifiability on Learning dynamics of Gaussian Mixture Models [14.759688428864159]
  特異モデルからサブモデルを抽出する手法を提案する。 本手法はトレーニング中のモデルの識別性を強制する。 この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
  論文  参考訳（メタデータ） (2022-06-17T07:50:22Z)
• Low-rank statistical finite elements for scalable model-data synthesis [0.8602553195689513]
  statFEMは、支配方程式に強制を埋め込むことによって、事前モデルの誤特定を認める。 この方法は、観測されたデータ生成過程を最小限の情報損失で再構築する。 本稿では、下層の密度共分散行列の低ランク近似を埋め込むことで、このハードルを克服する。
  論文  参考訳（メタデータ） (2021-09-10T09:51:43Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)

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。