Fugu-MT 論文翻訳(概要): Moment Estimates and DeepRitz Methods on Learning Diffusion Systems with Non-gradient Drifts

論文の概要: Moment Estimates and DeepRitz Methods on Learning Diffusion Systems with Non-gradient Drifts

arxiv url: http://arxiv.org/abs/2509.10495v1
Date: Sun, 31 Aug 2025 16:51:29 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-21 06:05:45.751096
Title: Moment Estimates and DeepRitz Methods on Learning Diffusion Systems with Non-gradient Drifts
Title（参考訳）: 非勾配ドリフトを用いた拡散学習におけるモーメント推定とDeepRitz法
Authors: Fanze Kong, Chen-Chih Lai, Yubin Lu,
Abstract要約: 一般化拡散系のドリフト分解を学習するためのデータ駆動二相法Moment-DeepRitz法を提案する。いくつかの数値実験を通してその効果を実証する。
参考スコア（独自算出の注目度）: 0.8365041625976873
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Conservative-dissipative dynamics are ubiquitous across a variety of complex open systems. We propose a data-driven two-phase method, the Moment-DeepRitz Method, for learning drift decompositions in generalized diffusion systems involving conservative-dissipative dynamics. The method is robust to noisy data, adaptable to rough potentials and oscillatory rotations. We demonstrate its effectiveness through several numerical experiments.
Abstract（参考訳）: 保守的散逸的力学は、様々な複雑な開系にまたがって普遍的である。本稿では,データ駆動型2相法Moment-DeepRitz法を提案する。この方法はノイズの多いデータに対して堅牢であり、粗いポテンシャルや振動回転に適応できる。いくつかの数値実験を通してその効果を実証する。

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)
Recurrent Deep Kernel Learning of Dynamical Systems [0.5825410941577593]
デジタル双対は計算効率の低い低次モデル(ROM)を必要とし、物理的資産の複雑な力学を正確に記述することができる。データから低次元の潜伏空間を発見するために,データ駆動型非侵入型深層学習法(SVDKL)を提案する。その結果,本フレームワークは, (i) 測定値の復調と再構成, (ii) システム状態のコンパクトな表現の学習, (iii) 低次元潜在空間におけるシステム進化の予測, (iv) 不確実性をモデル化できることがわかった。
論文参考訳（メタデータ） (2024-05-30T07:49:02Z)
A Mathematical Model of the Hidden Feedback Loop Effect in Machine Learning Systems [44.99833362998488]
意図しない隠れフィードバックループに起因するいくつかの現象を共同で記述するために,繰り返し学習プロセスを導入する。このような繰り返し学習設定の特徴は、環境の状態が時間とともに学習者自身に因果的に依存することである。本稿では,繰り返し学習過程の力学系モデルを提案し,正および負のフィードバックループモードに対する確率分布の制限セットを証明した。
論文参考訳（メタデータ） (2024-05-04T17:57:24Z)
Ricci flow-guided autoencoders in learning time-dependent dynamics [0.0]
本稿では、時間、特に偏微分方程式(PDE)を学習するための多様体ベースのオートエンコーダ法を提案する。これは、潜在多様体のステージをパラメタライズし、その後、物理学的インフォームド・セッティングでリッチフローをシミュレートすることで達成できる。本稿では,各PDEデータに対して,分布外データの学習や対角的ロバスト性などの特質をRicciフローが促進することを示す。
論文参考訳（メタデータ） (2024-01-26T01:36:48Z)
A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文参考訳（メタデータ） (2023-05-31T15:33:16Z)
Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
論文参考訳（メタデータ） (2022-10-12T09:12:59Z)
Learning Fine Scale Dynamics from Coarse Observations via Inner Recurrence [0.0]
最近の研究は、ディープニューラルネットワーク(DNN)による未知のシステムの進化に関するデータ駆動学習に焦点を当てている。本稿では,このような粗い観測データから微細な力学を学習するための計算手法を提案する。
論文参考訳（メタデータ） (2022-06-03T20:28:52Z)
Neural Galerkin Schemes with Active Learning for High-Dimensional Evolution Equations [44.89798007370551]
本研究では,高次元偏微分方程式を数値的に解くために,能動的学習を用いた学習データを生成するディープラーニングに基づくニューラル・ガレルキンスキームを提案する。ニューラル・ガレルキンスキームはディラック・フランケル変分法に基づいて、残余を時間とともに最小化することで、ネットワークを訓練する。提案したニューラル・ガレルキン・スキームの学習データ収集は,高次元におけるネットワークの表現力を数値的に実現するための鍵となる。
論文参考訳（メタデータ） (2022-03-02T19:09:52Z)
Learning Unstable Dynamics with One Minute of Data: A Differentiation-based Gaussian Process Approach [47.045588297201434]
ガウス過程の微分可能性を利用して、真の連続力学の状態依存線形化近似を作成する方法を示す。 9次元セグウェイのような不安定なシステムのシステムダイナミクスを反復的に学習することで、アプローチを検証する。
論文参考訳（メタデータ） (2021-03-08T05:08:47Z)

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。