論文の概要: Evidential Physics-Informed Neural Networks for Scientific Discovery

• arxiv url: http://arxiv.org/abs/2509.14568v2
• Date: Mon, 22 Sep 2025 14:37:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 14:36:45.642496
• Title: Evidential Physics-Informed Neural Networks for Scientific Discovery
• Title（参考訳）: 科学的発見のための証拠物理学情報ニューラルネットワーク
• Authors: Hai Siong Tan, Kuancheng Wang, Rafe McBeth,
• Abstract要約: E-PINN(Evidential Physics-Informed Neural Network) E-PINN(Evidential Physics-Informed Neural Network)の基礎となる理論と実装ガイドラインについて述べる。
• 参考スコア（独自算出の注目度）: 0.42481744176244507
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present the fundamental theory and implementation guidelines underlying Evidential Physics-Informed Neural Network (E-PINN) -- a novel class of uncertainty-aware PINN. It leverages the marginal distribution loss function of evidential deep learning for estimating uncertainty of outputs, and infers unknown parameters of the PDE via a learned posterior distribution. Validating our model on two illustrative case studies -- the 1D Poisson equation with a Gaussian source and the 2D Fisher-KPP equation, we found that E-PINN generated empirical coverage probabilities that were calibrated significantly better than Bayesian PINN and Deep Ensemble methods. To demonstrate real-world applicability, we also present a brief case study on applying E-PINN to analyze clinical glucose-insulin datasets that have featured in medical research on diabetes pathophysiology.
• Abstract（参考訳）: 本稿では,Evidential Physics-Informed Neural Network(E-PINN)の基礎となる基礎理論と実装ガイドラインについて述べる。 これは、明らかな深層学習の限界分布損失関数を利用して出力の不確かさを推定し、学習後分布を介してPDEの未知のパラメータを推測する。 1次元ポアソン方程式と2次元フィッシャー-KPP方程式により,E-PINNがベイジアンPINN法やディープエンサンブル法よりもかなりよく校正された経験的カバレッジ確率を生成した。 現実の応用性を示すため,糖尿病の病態生理学研究で注目されている臨床グルコース-インスリンデータセットの解析にE-PINNを適用するための簡単な事例を提示する。

関連論文リスト

• ProPINN: Demystifying Propagation Failures in Physics-Informed Neural Networks [71.02216400133858]
  物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)の解法において高い期待を得た 以前の研究では、PINNの伝播不良現象が観察された。 本稿では,伝播不良とその根本原因に関する公式かつ詳細な研究について述べる。
  論文  参考訳（メタデータ） (2025-02-02T13:56:38Z)
• Evidential Physics-Informed Neural Networks [0.0]
  本稿では,エビデンシャル・ディープ・ラーニングの原理に基づいて定式化された物理インフォームド・ニューラル・ニューラルネットワークの新たなクラスを提案する。 1次元および2次元非線形微分方程式を含む逆問題に対して、我々のモデルを適用する方法を示す。
  論文  参考訳（メタデータ） (2025-01-27T10:01:10Z)
• Information Bottleneck Analysis of Deep Neural Networks via Lossy Compression [37.69303106863453]
  Information Bottleneck(IB)原則は、ディープニューラルネットワーク(DNN)のトレーニングプロセスを分析するための情報理論フレームワークを提供する。 本稿では,一般NNのICB解析を行うためのフレームワークを提案する。 また,MI力学の新たな特徴を明らかにするため,実規模に近いISB解析を行う。
  論文  参考訳（メタデータ） (2023-05-13T21:44:32Z)
• Unsupervised physics-informed neural network in reaction-diffusion biology models (Ulcerative colitis and Crohn's disease cases) A preliminary study [0.0]
  偏微分方程式(PDE)のクラスにおける物理情報ニューラルネットワーク(PINN)の可能性について検討する。 これらのPDEはクローン病や潰瘍性大腸炎などの慢性炎症性腸疾患の伝播をモデル化するために用いられる。 我々は, PINN法といくつかの線形PDEと非線形PDEの関係を, 生物学との関係で定量化する。
  論文  参考訳（メタデータ） (2023-02-15T00:06:24Z)
• DeepMed: Semiparametric Causal Mediation Analysis with Debiased Deep Learning [13.495485731447731]
  因果仲裁分析は、生物医学や社会科学における因果経路を遠ざける強力なツールである。 本稿では、ディープニューラルネットワーク(DNN)を用いて、効率的な影響関数の無限次元ニュアンス関数をクロスフィットするDeepMedと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-10-10T01:45:10Z)
• Evaluating the Adversarial Robustness for Fourier Neural Operators [78.36413169647408]
  フーリエ・ニューラル・オペレータ(FNO)は、ゼロショット超解像で乱流をシミュレートした最初の人物である。 我々はノルム有界データ入力摂動に基づくFNOの逆例を生成する。 以上の結果から,モデルの強靭性は摂動レベルの増加とともに急速に低下することが明らかとなった。
  論文  参考訳（メタデータ） (2022-04-08T19:19:42Z)
• Discovering Governing Equations by Machine Learning implemented with Invariance [9.014669470289965]
  本稿では,制御方程式の学習手法としてGSNN (Galileo Neural Network) とLSNN (Lorentz Symbolic Neural Network) を提案する。 物理的制約の強制埋め込みの採用は、損失関数の形でPINNと根本的に異なる。 本研究で提案する手法は, 精度, パーシモニー, 解釈可能性に優れていた。
  論文  参考訳（メタデータ） (2022-03-29T14:01:03Z)
• Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
  我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。 特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。 実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
  論文  参考訳（メタデータ） (2022-02-18T18:07:54Z)
• PSO-PINN: Physics-Informed Neural Networks Trained with Particle Swarm Optimization [0.0]
  そこで本研究では,ハイブリッド粒子群最適化と勾配降下法を用いてPINNを訓練する手法を提案する。 PSO-PINNアルゴリズムは、標準勾配降下法で訓練されたPINNの望ましくない挙動を緩和する。 実験の結果, PSO-PINNはアダム勾配降下法でトレーニングしたベースラインPINNよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2022-02-04T02:21:31Z)
• Differentially private training of neural networks with Langevin dynamics forcalibrated predictive uncertainty [58.730520380312676]
  その結果,DP-SGD(差分偏差勾配勾配勾配勾配勾配)は,低校正・過信深層学習モデルが得られることがわかった。 これは、医療診断など、安全クリティカルな応用にとって深刻な問題である。
  論文  参考訳（メタデータ） (2021-07-09T08:14:45Z)

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。