論文の概要: Automated Constitutive Model Discovery by Pairing Sparse Regression Algorithms with Model Selection Criteria

• arxiv url: http://arxiv.org/abs/2509.16040v1
• Date: Fri, 19 Sep 2025 14:50:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.211194
• Title: Automated Constitutive Model Discovery by Pairing Sparse Regression Algorithms with Model Selection Criteria
• Title（参考訳）: モデル選択基準付きスパース回帰アルゴリズムによる構成モデルの自動探索
• Authors: Jorge-Humberto Urrea-Quintero, David Anton, Laura De Lorenzis, Henning Wessels,
• Abstract要約: このフレームワークは、合成データセットと実験データセットの両方を利用して、等方性と異方性両方の超弾性に適用される。 その結果、9つのアルゴリズム-基準の組み合わせは、等方性物質と異方性物質の発見に対して一貫してうまく機能することが明らかとなった。
• 参考スコア（独自算出の注目度）: 0.27998963147546146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The automated discovery of constitutive models from data has recently emerged as a promising alternative to the traditional model calibration paradigm. In this work, we present a fully automated framework for constitutive model discovery that systematically pairs three sparse regression algorithms (Least Absolute Shrinkage and Selection Operator (LASSO), Least Angle Regression (LARS), and Orthogonal Matching Pursuit (OMP)) with three model selection criteria: $K$-fold cross-validation (CV), Akaike Information Criterion (AIC), and Bayesian Information Criterion (BIC). This pairing yields nine distinct algorithms for model discovery and enables a systematic exploration of the trade-off between sparsity, predictive performance, and computational cost. While LARS serves as an efficient path-based solver for the $\ell_1$-constrained problem, OMP is introduced as a tractable heuristic for $\ell_0$-regularized selection. The framework is applied to both isotropic and anisotropic hyperelasticity, utilizing both synthetic and experimental datasets. Results reveal that all nine algorithm-criterion combinations perform consistently well for the discovery of isotropic and anisotropic materials, yielding highly accurate constitutive models. These findings broaden the range of viable discovery algorithms beyond $\ell_1$-based approaches such as LASSO.
• Abstract（参考訳）: データから構成モデルの自動発見は、最近、従来のモデルのキャリブレーションパラダイムに代わる有望な代替手段として現れました。 本研究では,3つのスパース回帰アルゴリズム(LASSO),LARS(Least Absolute Shrinkage and Selection Operator),LARS(Last Angle Regression),OMP(Orthogonal Matching Pursuit)の3つのモデル選択基準(CV),Akaike Information Criterion(AIC),Bayesian Information Criterion(BIC))を体系的に組み合わせた構成的モデル発見のための完全に自動化されたフレームワークを提案する。 このペアリングにより、モデル発見のための9つの異なるアルゴリズムが得られ、空間性、予測性能、計算コストの間のトレードオフを体系的に探索することができる。 LARS は$\ell_1$-constrained 問題に対する効率的な経路ベースの解法として機能するが、OMP は$\ell_0$-regularized セレクションのためのトラクタブルヒューリスティックとして導入される。 このフレームワークは、合成データセットと実験データセットの両方を利用して、等方性と異方性両方の超弾性に適用される。 その結果、9つのアルゴリズム-基準の組み合わせは、等方性および異方性物質の発見に一貫してよく機能し、非常に正確な構成モデルが得られることが明らかとなった。 これらの発見は、LASSOのような$\ell_1$ベースのアプローチを超えて、有効な発見アルゴリズムの範囲を広げた。

関連論文リスト

• Comparative study of regression vs pairwise models for surrogate-based heuristic optimisation [1.2535250082638645]
  本稿では, シュロゲート問題の定式化を, 適合度を近似する回帰モデル(表面シュロゲートモデル)と, 分類モデル(ペアワイズ・シュロゲートモデル)を結合する新しい方法の両方として扱う。 オンライン機械学習に基づくサロゲートモデルを用いる場合の全体探索の性能は、予測モデルの精度だけでなく、正または負のケースに対するバイアスの種類にも依存する。
  論文  参考訳（メタデータ） (2024-10-04T13:19:06Z)
• Model-Free Robust Reinforcement Learning with Sample Complexity Analysis [16.477827600825428]
  本稿では,マルチレベルモンテカルロ法を用いたモデルフリーDR-RLアルゴリズムを提案する。 我々は,全変動,チ二乗発散,KL発散によって定義される不確実性集合のアルゴリズムを開発する。 注目すべきは、我々のアルゴリズムは、有限サンプルの複雑さを特徴とする初めてのモデルフリーDR-RLアプローチである。
  論文  参考訳（メタデータ） (2024-06-24T19:35:26Z)
• Robustly estimating heterogeneity in factorial data using Rashomon Partitions [4.76518127830168]
  我々は、羅生門分割セット(RPS)と呼ばれるモデル不確実性のための新しい枠組みを提案する。 RPSは、最大後部(MAP)モデルに近い後部密度を持つすべてのモデルで構成されている。 実験的な例として,チャリタブルギフトの価格効果,染色体構造の不均一性,マイクロファイナンスの導入の3つを挙げる。
  論文  参考訳（メタデータ） (2024-04-02T17:53:28Z)
• Computational-Statistical Gaps in Gaussian Single-Index Models [77.1473134227844]
  単次元モデル(Single-Index Models)は、植木構造における高次元回帰問題である。 我々は,統計的クエリ (SQ) と低遅延多項式 (LDP) フレームワークの両方において,計算効率のよいアルゴリズムが必ずしも$Omega(dkstar/2)$サンプルを必要とすることを示した。
  論文  参考訳（メタデータ） (2024-03-08T18:50:19Z)
• Improving Sample Efficiency of Model-Free Algorithms for Zero-Sum Markov Games [66.2085181793014]
  モデルフリーのステージベースQ-ラーニングアルゴリズムはモデルベースアルゴリズムと同じ$H$依存の最適性を享受できることを示す。 本アルゴリズムは,楽観的値関数と悲観的値関数のペアとして参照値関数を更新するキーとなる新しい設計を特徴とする。
  論文  参考訳（メタデータ） (2023-08-17T08:34:58Z)
• A distribution-free mixed-integer optimization approach to hierarchical modelling of clustered and longitudinal data [0.0]
  我々は,新しいデータポイントに対するクラスタ効果を評価する革新的なアルゴリズムを導入し,このモデルのロバスト性や精度を高める。 このアプローチの推論的および予測的効果は、学生のスコアリングとタンパク質発現に適用することでさらに説明される。
  論文  参考訳（メタデータ） (2023-02-06T23:34:51Z)
• Quantum-Assisted Feature Selection for Vehicle Price Prediction Modeling [0.0]
  本研究では,一般平均情報係数やピアソン相関係数などの二元モデルとして検索を符号化する指標について検討する。 我々は,新しい指標を用いて合成データの最適部分集合を求めるための0.9の精度スコアを得る。 その結果、量子支援ルーチンを活用することで、予測モデル出力の品質を高めるソリューションが見つかることが分かりました。
  論文  参考訳（メタデータ） (2021-04-08T20:48:44Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
  乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。 アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。 ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
  論文  参考訳（メタデータ） (2020-02-20T10:50:58Z)

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。