論文の概要: Reconstructing Physics-Informed Machine Learning for Traffic Flow Modeling: a Multi-Gradient Descent and Pareto Learning Approach

• arxiv url: http://arxiv.org/abs/2505.13241v1
• Date: Mon, 19 May 2025 15:23:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.695846
• Title: Reconstructing Physics-Informed Machine Learning for Traffic Flow Modeling: a Multi-Gradient Descent and Pareto Learning Approach
• Title（参考訳）: 交通流モデリングのための物理インフォームド機械学習の再構築:多段階のDescence and Pareto Learningアプローチ
• Authors: Yuan-Zheng Lei, Yaobang Gong, Dianwei Chen, Yao Cheng, Xianfeng Terry Yang,
• Abstract要約: 物理インフォームド・機械学習(PIML)は現代の流れモデリングにおいて重要である。 本稿では,多目的最適化問題として,トレーニングプロセスの修正によるPIMLのパラダイムシフトを提案する。
• 参考スコア（独自算出の注目度）: 5.937203351551678
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-informed machine learning (PIML) is crucial in modern traffic flow modeling because it combines the benefits of both physics-based and data-driven approaches. In conventional PIML, physical information is typically incorporated by constructing a hybrid loss function that combines data-driven loss and physics loss through linear scalarization. The goal is to find a trade-off between these two objectives to improve the accuracy of model predictions. However, from a mathematical perspective, linear scalarization is limited to identifying only the convex region of the Pareto front, as it treats data-driven and physics losses as separate objectives. Given that most PIML loss functions are non-convex, linear scalarization restricts the achievable trade-off solutions. Moreover, tuning the weighting coefficients for the two loss components can be both time-consuming and computationally challenging. To address these limitations, this paper introduces a paradigm shift in PIML by reformulating the training process as a multi-objective optimization problem, treating data-driven loss and physics loss independently. We apply several multi-gradient descent algorithms (MGDAs), including traditional multi-gradient descent (TMGD) and dual cone gradient descent (DCGD), to explore the Pareto front in this multi-objective setting. These methods are evaluated on both macroscopic and microscopic traffic flow models. In the macroscopic case, MGDAs achieved comparable performance to traditional linear scalarization methods. Notably, in the microscopic case, MGDAs significantly outperformed their scalarization-based counterparts, demonstrating the advantages of a multi-objective optimization approach in complex PIML scenarios.
• Abstract（参考訳）: 物理インフォームド機械学習(PIML)は、物理ベースのアプローチとデータ駆動アプローチの両方の利点を組み合わせるため、現代的なトラフィックフローモデリングにおいて不可欠である。 従来のPIMLでは、リニアスカラー化によるデータ駆動損失と物理損失を組み合わせたハイブリッド損失関数を構築することで、物理情報を組み込むのが一般的である。 目標は、モデル予測の精度を改善するために、これらの2つの目的の間のトレードオフを見つけることである。 しかし、数学的観点からは、線形スカラー化はデータ駆動と物理損失を別々の目的として扱うため、パレートフロントの凸領域のみを特定することに限られる。 ほとんどのPIML損失関数が非凸であることを考えると、線形スカラー化は達成可能なトレードオフ解を制限する。 さらに、この2つの損失成分の重み付け係数を調整することは、時間的・計算的にも困難である。 これらの制約に対処するため,本論文では,学習過程を多目的最適化問題として再構成し,データ駆動損失と物理損失を独立に扱うことにより,PIMLのパラダイムシフトを提案する。 従来の多段階降下法 (TMGD) や二重円錐勾配法 (DCGD) を含む複数の多段階降下法 (MGDA) を適用し, この多目的環境でパレートフロントを探索する。 これらの手法は, 微視的流路モデルと微視的流路モデルの両方で評価される。 マクロな場合、MGDAは従来の線形スカラー化法に匹敵する性能を示した。 特に顕微鏡の場合、MGDAは、複雑なPIMLシナリオにおける多目的最適化アプローチの利点を実証し、スカラー化ベースのアプローチを著しく上回った。

関連論文リスト

• Potential failures of physics-informed machine learning in traffic flow modeling: theoretical and experimental analysis [5.937203351551678]
  本研究では,交通流モデリングにおける物理インフォームド・機械学習(PIML)手法の性能について批判的に検討する。 実験により、物理残留物はLWRおよびARZベースのPIMLモデルの性能を劣化させることができることが明らかになった。 Courant-Friedrichs-Lewy (CFL) 条件をPIMLのデータセット適合性の指標として同定した。
  論文  参考訳（メタデータ） (2025-05-16T17:55:06Z)
• Loss Landscape Analysis for Reliable Quantized ML Models for Scientific Sensing [41.89148096989836]
  機械学習(ML)モデルの損失景観を実証分析する手法を提案する。 本手法は,MLモデルのロバスト性を,量子化精度の関数や異なる正規化手法の下で評価することができる。
  論文  参考訳（メタデータ） (2025-02-12T12:30:49Z)
• Pushing the Limits of Large Language Model Quantization via the Linearity Theorem [71.3332971315821]
  本稿では,階層的$ell$再構成誤差と量子化によるモデルパープレキシティ増加との直接的な関係を確立する「線形定理」を提案する。 この知見は,(1)アダマール回転とHIGGSと呼ばれるMSE最適格子を用いた単純なデータフリーLCM量子化法,(2)非一様層ごとの量子化レベルを求める問題に対する最適解の2つの新しい応用を可能にする。
  論文  参考訳（メタデータ） (2024-11-26T15:35:44Z)
• Towards Efficient Pareto Set Approximation via Mixture of Experts Based Model Fusion [53.33473557562837]
  大規模深層ニューラルネットワークに対する多目的最適化問題を解くことは、損失ランドスケープの複雑さと高価な計算コストのために難しい課題である。 本稿では,専門家(MoE)をベースとしたモデル融合を用いて,この問題を実用的でスケーラブルに解決する手法を提案する。 特殊な単一タスクモデルの重みをまとめることで、MoEモジュールは複数の目的間のトレードオフを効果的に捉えることができる。
  論文  参考訳（メタデータ） (2024-06-14T07:16:18Z)
• Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
  PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。 運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。 結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
  論文  参考訳（メタデータ） (2024-02-28T02:16:03Z)
• Data-free Weight Compress and Denoise for Large Language Models [96.68582094536032]
  パラメータ行列を圧縮する手法として,データフリーなジョイントランクk近似を提案する。 キャリブレーションデータなしで、元の性能の93.43%を維持しながら80%のパラメータのモデルプルーニングを実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:51:47Z)
• Slow Invariant Manifolds of Singularly Perturbed Systems via Physics-Informed Machine Learning [0.0]
  特異摂動系の遅い不変多様体(SIM)を近似するための物理インフォームド・機械学習(PIML)手法を提案する。 提案手法では,従来のGSPT法よりも精度の高い近似法が提案されている。 また、学習過程において必要となる微分の記号的、自動的、数値的近似の計算コストの比較を行う。
  論文  参考訳（メタデータ） (2023-09-14T14:10:22Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Applying physics-based loss functions to neural networks for improved generalizability in mechanics problems [3.655021726150368]
  Informed Machine Learning(PIML)は、過去5年間で、科学者や研究者が機械学習の進歩によって得られる利点を活用するために勢いを増しています。 本研究では,物理に基づく損失関数の利用に対処する,PIMLを利用するための新しいアプローチについて論じる。
  論文  参考訳（メタデータ） (2021-04-30T20:31:09Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)

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。