論文の概要: Towards a data-scale independent regulariser for robust sparse identification of non-linear dynamics

• arxiv url: http://arxiv.org/abs/2603.05201v1
• Date: Thu, 05 Mar 2026 14:11:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:11.262803
• Title: Towards a data-scale independent regulariser for robust sparse identification of non-linear dynamics
• Title（参考訳）: 非線型力学の頑健なスパース同定のためのデータスケール独立正規化器を目指して
• Authors: Jay Raut, Daniel N. Wilke, Stephan Schmidt,
• Abstract要約: データ正規化は、マグニチュードベースのスパース回帰法による支配方程式の発見を著しく歪めることができる。 本稿では,新しい計算効率の高いスパース回帰アルゴリズムSTCV(Sequential Thresholding of Coefficient of Variation)を提案する。 そこで本研究では,STCVに基づく手法が,他の手法が失敗した場合でも,正しい,まばらな物理法則を正しく識別できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data normalisation, a common and often necessary preprocessing step in engineering and scientific applications, can severely distort the discovery of governing equations by magnitudebased sparse regression methods. This issue is particularly acute for the Sparse Identification of Nonlinear Dynamics (SINDy) framework, where the core assumption of sparsity is undermined by the interaction between data scaling and measurement noise. The resulting discovered models can be dense, uninterpretable, and physically incorrect. To address this critical vulnerability, we introduce the Sequential Thresholding of Coefficient of Variation (STCV), a novel, computationally efficient sparse regression algorithm that is inherently robust to data scaling. STCV replaces conventional magnitude-based thresholding with a dimensionless statistical metric, the Coefficient Presence (CP), which assesses the statistical validity and consistency of candidate terms in the model library. This shift from magnitude to statistical significance makes the discovery process invariant to arbitrary data scaling. Through comprehensive benchmarking on canonical dynamical systems and practical engineering problems, including a physical mass-spring-damper experiment, we demonstrate that STCV consistently and significantly outperforms standard Sequential Thresholding Least Squares (STLSQ) and Ensemble-SINDy (E-SINDy) on normalised, noisy datasets. The results show that STCV-based methods can successfully identify the correct, sparse physical laws even when other methods fail. By mitigating the distorting effects of normalisation, STCV makes sparse system identification a more reliable and automated tool for real-world applications, thereby enhancing model interpretability and trustworthiness.
• Abstract（参考訳）: データ正規化(英: Data normalization)は、工学および科学応用における一般的な、しばしば必要となる前処理ステップであり、マグニチュードベースのスパース回帰法による支配方程式の発見を著しく歪めることができる。 この問題は、データスケーリングと測定ノイズの相互作用によって、空間のコア仮定が損なわれる、非線形ダイナミクスのスパース同定(SINDy)フレームワークにとって特に急激である。 得られたモデルは密度が高く、解釈不能で、物理的に誤りがある。 この致命的な脆弱性に対処するために、データスケーリングに本質的に堅牢な、計算効率の良いスパース回帰アルゴリズムである、変分係数の逐次閾値(STCV)を導入する。 STCVは、従来の等級に基づく閾値付けを、モデルライブラリ内の候補項の統計的妥当性と整合性を評価する非次元統計指標Coefficient Presence (CP) に置き換える。 この大きさから統計的意義へのシフトは、発見過程を任意のデータスケーリングに不変にする。 本研究は, 標準シークエンシャル・スレッショルド・リースト・スクエア (STLSQ) とエンサンブル・SINDy (E-SINDy) を正規化・雑音の多いデータセット上で連続的に, 著しく上回っていることを示す。 以上の結果から,STCV法は,他の手法が失敗した場合でも,正しい,まばらな物理法則を正しく識別できることがわかった。 正規化の歪曲効果を緩和することにより、STCVはスパースシステム識別をより信頼性が高く自動化して現実のアプリケーションに適用し、モデル解釈可能性と信頼性を向上させる。

関連論文リスト

• Learning Complex Physical Regimes via Coverage-oriented Uncertainty Quantification: An application to the Critical Heat Flux [0.0]
  不確実性定量化(UQ)は、安全性評価ではなく、学習タスク自体への支援と見なされるべきである。 OECD/NEA Expert Group on Reactor Systems Multi-Physicsで発表されたCritical Heat Fluxベンチマークとデータセットに注目した。 ポストホック法は統計的キャリブレーションを保証するが、カバレッジ指向学習は複雑な物理状態に適合するようにモデルの表現を効果的に再評価する。
  論文  参考訳（メタデータ） (2026-02-25T09:04:15Z)
• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• Discovering Governing Equations in the Presence of Uncertainty [11.752763800308276]
  本研究では, 力学系を基礎とする支配方程式を一貫して発見する鍵として, 測定ノイズとともに, システムの変動性を考慮した説明が重要であることを理論的に論じる。 SIPは、スパース同定ダイナミクス(SINDy)とその変種に対する平均82%の正方程式を一貫して同定することを示した。
  論文  参考訳（メタデータ） (2025-07-13T18:31:25Z)
• Uncertainty-Aware Trajectory Prediction via Rule-Regularized Heteroscedastic Deep Classification [3.126303871979975]
  ShiFT (Spectral Heteroscedastic Informed Forecasting for Trajectories) は、よく校正された不確実性モデリングと情報前処理を組み合わせた新しいフレームワークである。 我々のモデルは、本質的に不確実性が高い交差点のような複雑なシナリオで優れている。
  論文  参考訳（メタデータ） (2025-04-17T17:24:50Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• LAPD: Langevin-Assisted Bayesian Active Learning for Physical Discovery [5.373182035720355]
  Langevin-Assisted Active Physical Discovery (LAPD) は、モンテカルロのレプリカ交換勾配を統合したフレームワークである。 LAPDはノイズデータを用いた信頼性,不確実性を考慮した識別を実現する。 Lotka-Volterra, Lorenz, Burgers, Convection-Diffusion equationsなどの非線形系のLAPDを評価する。
  論文  参考訳（メタデータ） (2025-03-04T20:17:24Z)
• 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)
• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)
• A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
  本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。 一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T23:31:25Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)

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。