論文の概要: naPINN: Noise-Adaptive Physics-Informed Neural Networks for Recovering Physics from Corrupted Measurement

• arxiv url: http://arxiv.org/abs/2602.02547v1
• Date: Fri, 30 Jan 2026 06:03:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:14.92233
• Title: naPINN: Noise-Adaptive Physics-Informed Neural Networks for Recovering Physics from Corrupted Measurement
• Title（参考訳）: naPINN: 故障測定から物理を回復するためのノイズ適応型物理情報ニューラルネットワーク
• Authors: Hankyeol Kim, Pilsung Kang,
• Abstract要約: 本研究では,劣化測定から物理解を確実に回収する雑音適応型物理情報ニューラルネットワーク (naPINN) を提案する。 naPINNは、予測残差の潜在分布を学習するために、エネルギーベースのモデルをトレーニングループに組み込む。 非ガウス雑音とオフレーヤの変動率により劣化した様々なベンチマーク偏微分方程式に対するnaPINNの有効性を実証する。
• 参考スコア（独自算出の注目度）: 3.450547277166974
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Physics-Informed Neural Networks (PINNs) are effective methods for solving inverse problems and discovering governing equations from observational data. However, their performance degrades significantly under complex measurement noise and gross outliers. To address this issue, we propose the Noise-Adaptive Physics-Informed Neural Network (naPINN), which robustly recovers physical solutions from corrupted measurements without prior knowledge of the noise distribution. naPINN embeds an energy-based model into the training loop to learn the latent distribution of prediction residuals. Leveraging the learned energy landscape, a trainable reliability gate adaptively filters data points exhibiting high energy, while a rejection cost regularization prevents trivial solutions where valid data are discarded. We demonstrate the efficacy of naPINN on various benchmark partial differential equations corrupted by non-Gaussian noise and varying rates of outliers. The results show that naPINN significantly outperforms existing robust PINN baselines, successfully isolating outliers and accurately reconstructing the dynamics under severe data corruption.
• Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は、逆問題の解法と、観測データから支配方程式を発見する効果的な方法である。 しかし、その性能は複雑な測定ノイズと総アウトリージで著しく低下する。 そこで本研究では,ノイズ分布を事前に知ることなく,劣化した測定結果から物理解を確実に復元する,雑音適応型物理情報ニューラルネットワーク(naPINN)を提案する。 naPINNは、予測残差の潜在分布を学習するために、エネルギーベースのモデルをトレーニングループに組み込む。 学習したエネルギーランドスケープを活用して、トレーニング可能な信頼性ゲートは、高エネルギーを示すデータポイントを適応的にフィルタリングする一方、拒絶コストの正規化は、有効なデータが破棄された自明な解を阻止する。 非ガウス雑音とオフレーヤの変動率により劣化した様々なベンチマーク偏微分方程式に対するnaPINNの有効性を実証する。 その結果、naPINNは既存の堅牢なPINNベースラインを著しく上回り、アウトレーヤの分離に成功し、データ破損の深刻さ下でのダイナミックスを正確に再構築した。

関連論文リスト

• PEEL the Layers and Find Yourself: Revisiting Inference-time Data Leakage for Residual Neural Networks [64.90981115460937]
  本稿では、ディープニューラルネットワーク(NN)の推論時データ漏洩リスクについて検討する。 残差NNの中間出力からブロックワイズ入力特徴を効果的に回収できる新しい後方特徴逆変換法である textbfPEEL を提案する。 その結果,平均二乗誤差 (MSE) で評価した場合,PEEL は最先端の回収方法よりも桁違いに優れていることがわかった。
  論文  参考訳（メタデータ） (2025-04-08T20:11:05Z)
• Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
  ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。 我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。 我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
  論文  参考訳（メタデータ） (2023-10-02T03:25:32Z)
• Learning Provably Robust Estimators for Inverse Problems via Jittering [51.467236126126366]
  簡単な正規化手法であるジッタリングが,逆問題に対する最悪ケース頑健な推定器の学習に有効かどうかを検討する。 ジッタリングは最悪の場合のロバスト性を大幅に向上させるが,デノイング以上の逆問題に最適であることを示す。
  論文  参考訳（メタデータ） (2023-07-24T14:19:36Z)
• On the uncertainty analysis of the data-enabled physics-informed neural network for solving neutron diffusion eigenvalue problem [4.0275959184316825]
  いくつかの観点から中性子拡散固有値問題の計算におけるDEPINNの性能について検討する。 ノイズの影響を低減し,ノイズ先行データの利用を改善するために,革新的な区間損失関数を提案する。 本稿では, 原子炉物理の実用化に向けた改良型DEPINNの実現可能性を確認する。
  論文  参考訳（メタデータ） (2023-03-15T08:59:03Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Robust Regression with Highly Corrupted Data via Physics Informed Neural Networks [4.642273921499256]
  物理インフォームドニューラルネットワーク(PINN)は、2つの主要な問題のクラスを解決するために提案されている。 本研究では,ノイズおよび劣化測定データから支配方程式を復元するアルゴリズムの一般化性,精度,効率性を示す。
  論文  参考訳（メタデータ） (2022-10-19T15:21:05Z)
• Robust Learning of Physics Informed Neural Networks [2.86989372262348]
  物理インフォームドニューラルネットワーク(PINN)は偏微分方程式の解法に有効であることが示されている。 本稿では、PINNがトレーニングデータのエラーに敏感であり、これらのエラーをPDEの解領域上で動的に伝播させるのに過度に適合していることを示す。
  論文  参考訳（メタデータ） (2021-10-26T00:10:57Z)
• Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
  小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。 我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
  論文  参考訳（メタデータ） (2021-02-23T20:59:30Z)

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。