Fugu-MT 論文翻訳(概要): Fundamentals of Regression

論文の概要: Fundamentals of Regression

arxiv url: http://arxiv.org/abs/2512.01920v1
Date: Thu, 27 Nov 2025 08:49:58 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-02 19:46:34.994883
Title: Fundamentals of Regression
Title（参考訳）: 回帰の基礎
Authors: Miguel A. Mendez,
Abstract要約: レグレッションは、変数間の関係を見つけようとする機械学習のサブセットである。科学機械学習の出現により、この分野は純粋にデータ駆動(統計学)の形式主義から、制約されたあるいは物理学的な形式主義へと移行した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This chapter opens with a review of classic tools for regression, a subset of machine learning that seeks to find relationships between variables. With the advent of scientific machine learning this field has moved from a purely data-driven (statistical) formalism to a constrained or ``physics-informed'' formalism, which integrates physical knowledge and methods from traditional computational engineering. In the first part, we introduce the general concepts and the statistical flavor of regression versus other forms of curve fitting. We then move to an overview of traditional methods from machine learning and their classification and ways to link these to traditional computational science. Finally, we close with a note on methods to combine machine learning and numerical methods for physics
Abstract（参考訳）: この章は、変数間の関係を見つけようとする機械学習のサブセットである回帰のための古典的なツールのレビューで始まる。科学機械学習の出現により、この分野は純粋にデータ駆動の(統計的な)形式主義から、伝統的な計算工学から物理知識と手法を統合する「制約付き」または「物理インフォームド」形式主義へと移行した。第一部では、回帰の一般概念と統計的フレーバーを導入する。次に、機械学習とそれらの分類とそれらを従来の計算科学に結びつける方法から、従来の方法の概要に移行する。最後に、我々は機械学習と物理学の数値的手法を組み合わせる方法に関する注記を締めくくった。

関連論文リスト

Efficient Machine Unlearning via Influence Approximation [75.31015485113993]
インフルエンサーベースのアンラーニングは、個別のトレーニングサンプルがモデルパラメータに与える影響を再トレーニングせずに推定する顕著なアプローチとして現れてきた。本稿では,暗記(増分学習)と忘れ(未学習)の理論的関連性を確立する。本稿では、インフルエンス近似アンラーニングアルゴリズムを導入し、インクリメンタルな視点から効率的なマシンアンラーニングを行う。
論文参考訳（メタデータ） (2025-07-31T05:34:27Z)
Machine Learning: a Lecture Note [51.31735291774885]
この講義ノートは、データサイエンスの初等生と博士課程の学生、あるいは機械学習の基礎的アイデアに関する規律を準備することを目的としている。それは、機械学習の基本的なアイデアから始まり、分類を主なターゲットタスクとする。これらの基本的な考え方に基づいて、講義ノートは教師なし学習に対する確率論的アプローチを深く探求する。
論文参考訳（メタデータ） (2025-05-06T16:03:41Z)
Physics-informed features in supervised machine learning [0.0]
監視された機械学習は、限られた特徴と対応するラベルのデータセットから未知の機能関係を近似する。本研究では,物理法則や次元解析から得られる非線形特徴写像を構成する特徴ベース機械学習への物理インフォームドアプローチを提案する。
論文参考訳（メタデータ） (2025-04-23T21:45:49Z)
Understanding Machine Learning Paradigms through the Lens of Statistical Thermodynamics: A tutorial [0.0]
このチュートリアルは、エントロピー、自由エネルギー、そして機械学習に使用される変分推論のような高度なテクニックを掘り下げる。物理的システムの振る舞いを深く理解することで、より効果的で信頼性の高い機械学習モデルが得られることを示す。
論文参考訳（メタデータ） (2024-11-24T18:20:05Z)
Data-Driven Computing Methods for Nonlinear Physics Systems with Geometric Constraints [0.7252027234425334]
本稿では、物理に基づく先行技術と高度な機械学習技術との相乗効果を生かした、新しいデータ駆動型フレームワークを提案する。本フレームワークでは, 特定の非線形系のクラスに合わせて, 特定の物理系を組み込んだ4つのアルゴリズムを紹介する。これらの事前の統合はまた、ニューラルネットワークの表現力を高め、物理的現象に典型的な複雑なパターンをキャプチャすることを可能にする。
論文参考訳（メタデータ） (2024-06-20T23:10:41Z)
Deep learning applied to computational mechanics: A comprehensive review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩を概観する。ハイブリッドおよび純粋機械学習(ML)の手法について論じる。 AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
論文参考訳（メタデータ） (2022-12-18T02:03:00Z)
An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文参考訳（メタデータ） (2021-08-09T17:39:09Z)
Informed Equation Learning [31.29253826586943]
本稿では,科学と工学のための情報方程式学習システムを提案する。許可または禁止された方程式成分に関する専門家の知識が組み込まれている。そこで本システムは,特異点を示す原子関数を持つ方程式の学習にロバストな手法を用いる。
論文参考訳（メタデータ） (2021-05-13T14:37:25Z)
Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文参考訳（メタデータ） (2021-02-15T19:56:48Z)
Watch and learn -- a generalized approach for transferrable learning in deep neural networks via physical principles [0.0]
本研究では,物理状態の異なる統計物理学における問題に対して,完全に伝達可能な学習を実現するための教師なし学習手法を実証する。逐次ニューラルネットワークに基づくシーケンスモデルを広範囲のディープニューラルネットワークに結合することにより、古典的な統計力学系の平衡確率分布と粒子間相互作用モデルを学ぶことができる。
論文参考訳（メタデータ） (2020-03-03T18:37:23Z)

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。