論文の概要: Auxiliary Finite-Difference Residual-Gradient Regularization for PINNs

• arxiv url: http://arxiv.org/abs/2604.14472v1
• Date: Wed, 15 Apr 2026 23:09:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.641508
• Title: Auxiliary Finite-Difference Residual-Gradient Regularization for PINNs
• Title（参考訳）: PINNの補助有限差分残差正規化
• Authors: Stavros Kassinos,
• Abstract要約: 本研究では,PDE残差が保たれるハイブリッド設計について検討するが,有限差分は弱い補助項にのみ現れる。 FD項は、PDE残基自体を置き換えることなく残留体を正則化する。 種子0-5と100kのエポック全体で、最も信頼性の高い試験はクルコウタス・ベタ政権下での固定殻重量5e-4である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Physics-informed neural networks (PINNs) are often selected by a single scalar loss even when the quantity of interest is more specific. We study a hybrid design in which the governing PDE residual remains automatic-differentiation (AD) based, while finite differences (FD) appear only in a weak auxiliary term that penalizes gradients of the sampled residual field. The FD term regularizes the residual field without replacing the PDE residual itself. We examine this idea in two stages. Stage 1 is a controlled Poisson benchmark comparing a baseline PINN, the FD residual-gradient regularizer, and a matched AD residual-gradient baseline. Stage 2 transfers the same logic to a three-dimensional annular heat-conduction benchmark (PINN3D), where baseline errors concentrate near a wavy outer wall and the auxiliary grid is implemented as a body-fitted shell adjacent to the wall. In Stage 1, the FD regularizer reproduces the main effect of residual-gradient control while exposing a trade-off between field accuracy and residual cleanliness. In Stage 2, the shell regularizer improves the application-facing quantities, namely outer-wall flux and boundary-condition behavior. Across seeds 0-5 and 100k epochs, the most reliable tested configuration is a fixed shell weight of 5e-4 under the Kourkoutas-beta optimizer regime: relative to a matched run without the shell term, it reduces the mean outer-wall BC RMSE from 1.22e-2 to 9.29e-4 and the mean wall-flux RMSE from 9.21e-3 to 9.63e-4. Adam with beta2=0.999 becomes usable when the initial learning rate is reduced to 1e-3, although its shell benefit is less robust than under Kourkoutas-beta. Overall, the results support a targeted view of hybrid PINNs: an auxiliary-only FD regularizer is most valuable when it is aligned with the physical quantity of interest, here the outer-wall flux.
• 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、興味がより具体的であっても、単一のスカラーロスによって選択されることが多い。 有限差分 (FD) は, 試料残留場の勾配をペナライズする弱二次項にのみ現れるが, 支配的PDE残差が自動微分 (AD) に基づくハイブリッド設計について検討する。 FD項は、PDE残基自体を置き換えることなく残留体を正則化する。 この考えを2段階に分けて検討する。 ステージ1は、ベースラインPINN、FD残留勾配正規化器、および一致AD残留勾配ベースラインを比較した制御されたPoissonベンチマークである。 ステージ2は、同じロジックを3次元環状熱伝導ベンチマーク(PINN3D)に転送し、ベースライン誤差は波状外壁の近くに集中し、補助グリッドは壁の隣のボディフィットシェルとして実装される。 ステージ1では、FD正則化器は、磁場精度と残留清浄度との間のトレードオフを露呈しながら、残留勾配制御の主効果を再現する。 ステージ2では、シェル正則化器は、外壁のフラックスや境界条件の振る舞いなど、応用対象量を改善する。 種子 0-5 と 100k のエポックをまたいで、最も信頼性の高い試験は、Kourkoutas-Betaオプティマイザ体制下での5e-4 の固定殻重量であり、シェル項のないマッチしたランと比較して、平均壁外壁 BC RMSE を 1.22e-2 から 9.29e-4 に減らし、平均壁面 RMSE を 9.21e-3 から 9.63e-4 に減らした。 β2=0.999のAdamは、最初の学習率が1e-3に減少すると利用できるようになるが、シェルの利点はKourkoutas-betaよりは堅牢ではない。 全体として、この結果はハイブリッドPINNのターゲットビューをサポートしており、補助専用FD正規化器は、外壁フラックスの物理量に適合するときに最も有用である。

関連論文リスト

• Bias-Corrected Adaptive Conformal Inference for Multi-Horizon Time Series Forecasting [0.0]
  アダプティブ・コンフォーマル推論(Adaptive Conformal Inference, ACI)は、分散シフト中の時系列のカバレッジ保証を備えた、分布のない予測間隔を提供する。 状態変化の後、ベース予測器が永続的バイアスを発生させると、ACIは左右対称に間隔を広げて補償し、不要に保守的な帯域を生成する。 本稿では,予測バイアスの指数重み付きオンライン移動平均(EWM)で標準ACIを増大させるバイアス補正ACI(BC-ACI)を提案する。
  論文  参考訳（メタデータ） (2026-04-14T19:33:59Z)
• FI-KAN: Fractal Interpolation Kolmogorov-Arnold Networks [0.0]
  Kolmogorov-Arnold Networks (KAN) は、固定格子上のB-スプラインベースを使用し、非滑らか関数近似に固有のマルチスケール分解を提供しない。 本稿では,反復関数系 (IFS) 理論から学習可能なフラクタル関数 (FIF) 基底を包含するフラクタル補間カン (FI-KAN) について紹介する。 Pure FI-KANはB-splineを完全にFIFベースに置き換え、Hybrid FI-KANはB-splineパスを保持し、学習可能なフラクタル補正を追加する。
  論文  参考訳（メタデータ） (2026-03-30T11:09:07Z)
• Low-Rank Adaptation Reduces Catastrophic Forgetting in Sequential Transformer Encoder Fine-Tuning: Controlled Empirical Evidence and Frozen-Backbone Representation Probes [3.305265383862785]
  コンパニオン表現プローブを用いたシーケンシャルトランスフォーマーエンコーダにおけるローランド適応(LoRA)の実証的研究について述べる。 RTE->MRPC->CoLA->SST-2配列上の5つのフルバリデーションBERTベースでは、フル微調整の収率は19.9%+/-で、標準のLoRA(r、クエリ/バリューモジュール)は0.6%+/-1.4%である。
  論文  参考訳（メタデータ） (2026-03-29T14:14:36Z)
• Evaluating Factor-Wise Auxiliary Dynamics Supervision for Latent Structure and Robustness in Simulated Humanoid Locomotion [0.0]
  DynaMITEは、因子単位の補助損失によって訓練された24d遅延剤を備えたトランスフォーマーエンコーダである。 監督された潜伏剤は、分解性または機能的に分離可能な因子構造を示す証拠を示さない。 移動実践者にとって:補助力学の監督は解釈可能な推定器を作らない。
  論文  参考訳（メタデータ） (2026-03-22T14:56:10Z)
• Diffusion Controller: Framework, Algorithms and Parameterization [54.82539154511621]
  本稿では,逆拡散サンプリングを(一般化された)線形解法マルコフ決定過程における状態のみの制御として活用する統一的な制御理論的視点を提案する。 このフレームワークでは、制御はトレーニング済みのリバースタイムのトランジションカーネルを再重み付けし、端末の目的と$f$分割コストのバランスをとる。 安定拡散v1.4の実験では、選好調整の勝利率が一貫した上昇を示し、品質効率のトレードオフを改善した。
  論文  参考訳（メタデータ） (2026-03-07T01:49:59Z)
• Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
  本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。 合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
  論文  参考訳（メタデータ） (2026-02-03T23:38:05Z)
• On the Training Instability of Shuffling SGD with Batch Normalization [44.28777474091466]
  単一シャッフル(SS)とランダムリシャッフル(RR)は、バッチ正規化の存在下で驚くほど異なる相互作用をする。 SSは回帰と分類のばらつきを生じるが,RRは歪みとばらつきの両方を避けている。
  論文  参考訳（メタデータ） (2023-02-24T04:10:54Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• On the Practicality of Differential Privacy in Federated Learning by Tuning Iteration Times [51.61278695776151]
  フェデレートラーニング(FL)は、分散クライアント間で機械学習モデルを協調的にトレーニングする際のプライバシ保護でよく知られている。 最近の研究では、naive flは勾配リーク攻撃の影響を受けやすいことが指摘されている。 ディファレンシャルプライバシ(dp)は、勾配漏洩攻撃を防御するための有望な対策として現れる。
  論文  参考訳（メタデータ） (2021-01-11T19:43:12Z)

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。