論文の概要: Target-Guided Selective Reweighting for Physics-Informed Neural Network Inverse Problems: A Transfer Learning Approach
- arxiv url: http://arxiv.org/abs/2607.05271v1
- Date: Mon, 06 Jul 2026 16:20:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.236858
- Title: Target-Guided Selective Reweighting for Physics-Informed Neural Network Inverse Problems: A Transfer Learning Approach
- Title（参考訳）: 物理インフォームドニューラルネットワーク逆問題に対するターゲットガイド選択重み付け:伝達学習アプローチ
- Authors: Qian Hu, Bin Fan, Yao Xiao, Zhicheng Lin, Meixin Xiong,
- Abstract要約: 物理インフォームドニューラルネットワーク(PINN)は、PDE逆問題における不正な最適化、損失競合、パラメータ補償に遭遇する。
本稿では,TGSR-PINN(Target-Guided Selective Reweighting PINN)を提案する。
- 参考スコア（独自算出の注目度）: 21.2566983548583
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physics-informed neural networks (PINNs) encounter ill-posed optimization, loss competition, and parameter compensation in partial differential equation (PDE) inverse problems. Transfer learning can reuse representations from source tasks, but direct fine-tuning may introduce negative transfer when dominant physical mechanisms, governing parameters, or observation noise differ between source and target domains: the model achieves low field error yet recovers incorrect target physical parameters. To mitigate, we propose Target-Guided Selective Reweighting PINN (TGSR-PINN), a target-evidence-driven representation correction method for PINN inverse transfer learning. TGSR-PINN transfers only the weights and biases from the source PINN, while target physical parameters are independently initialized; after a short target-adaptation phase, the method computes neuron target scores using first-order Taylor sensitivity and pre-activation variance on fixed scoring batches, and converts evidence associated with low-scoring neurons into continuous weak-adaptation signals via a Gaussian mixture model (GMM) with rank fallback. TGSR-PINN then applies selective soft decay to input weight rows and biases of low-scoring neurons instead of hard pruning or random resetting. In experiments, TGSR-PINN improves target parameter recovery while maintaining comparable field accuracy in the high-Péclet 2D advection-diffusion task and in the Allen--Cahn to Burgers cross-PDE-family transfer task; a 5%-noise reaction--diffusion case provides supplementary evidence under milder source-target mismatch. Ablation studies suggest that neuron target scoring, weak-adaptation signal estimation, layer protection, and selective soft decay jointly contribute to the benefits.
- 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、偏微分方程式(PDE)逆問題において、不正な最適化、損失競合、パラメータ補償に遭遇する。
転送学習は、ソースタスクから表現を再利用することができるが、直接微調整は、支配的な物理機構、支配的パラメータ、観測ノイズがソースドメインとターゲットドメインの間で異なる場合、負の転送をもたらす可能性がある。
そこで本研究では,PINN逆変換学習のためのターゲットガイド型選択重み付けPINN(TGSR-PINN)を提案する。
TGSR-PINNは、ソースPINNから重みとバイアスのみを転送するが、ターゲット物理パラメータは独立に初期化され、短い目標適応フェーズの後、固定された採点バッチ上で1次テイラー感度とプレアクティベーション分散を用いてニューロン目標スコアを計算し、低色ニューロンに関連するエビデンスを、ランクフォールバックのガウス混合モデル(GMM)を介して連続弱適応信号に変換する。
TGSR-PINNは、ハードプルーニングやランダムリセットの代わりに、入力重み列と低色ニューロンのバイアスに選択的軟弱減衰を適用する。
実験では、TGSR-PINNは高Péclet 2Dアドベクション拡散タスクとアレン-カーン-バーガース-バーガース-PDE-ファミリー移動タスクにおいて、同等のフィールド精度を維持しながら、目標パラメータ回復を改善した。
アブレーション研究は、神経細胞標的のスコアリング、弱い適応シグナルの推定、層保護、選択的軟弱崩壊が共同で利益に寄与することを示唆している。
関連論文リスト
- Unlearning Noise in PINNs: A Selective Pruning Framework for PDE Inverse Problems [11.570920716097552]
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(PDE)によって支配される逆問題を解決するための有望な枠組みを提供する
PDE逆問題の性質の悪さはノイズに非常に敏感である。
P-PINNは、事前訓練されたPINNにおいて、破損したデータの影響を解き放つために設計された選択型プルーニングフレームワークである。
論文 参考訳（メタデータ） (2026-02-23T15:29:50Z) - General Self-Prediction Enhancement for Spiking Neurons [71.01912385372577]
スパイキングニューラルネットワーク(SNN)は、イベント駆動のスパース計算によって非常にエネルギー効率が良いが、そのトレーニングは、性能、効率、生物学的妥当性の非微分可能性とトレードオフによって困難である。
本稿では,その入力出力履歴から内部予測電流を生成し,膜電位を変調する自己予測強化スパイキングニューロン法を提案する。
この設計には2つの利点があり、失明した勾配を緩和し、トレーニングの安定性と精度を高める連続的な勾配経路を作成し、また遠位樹状突起変調とエラー駆動のシナプス塑性に類似した生物学的原理と整合する。
論文 参考訳（メタデータ） (2026-01-29T15:08:48Z) - Game-Theoretic Gradient Control for Robust Neural Network Training [0.0]
フィードフォワードニューラルネットワーク(FFNN)は入力ノイズに弱いため、予測性能が低下する。
本研究の目的は,バックプロパゲーションを改良し,マルチエージェントゲームとして解釈し,制御対象変数の雑音化を探索することにより,FFNN雑音の頑健性を高めることである。
論文 参考訳（メタデータ） (2025-07-25T10:26:25Z) - Méthode de quadrature pour les PINNs fondée théoriquement sur la hessienne des résiduels [11.912466054588327]
物理インフォームドニューラルネットワーク(PINN)は、PDEの代用ニューラルネットワークを学習する効率的な方法として登場した。
本稿では,関数のヘシアンに基づく定積分の近似法を提案する。
論文 参考訳（メタデータ） (2025-06-25T13:49:53Z) - ProPINN: Demystifying Propagation Failures in Physics-Informed Neural Networks [71.02216400133858]
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(PDE)の解法において高い期待を得た
以前の研究では、PINNの伝播不良現象が観察された。
本稿では,伝播不良とその根本原因に関する公式かつ詳細な研究について述べる。
論文 参考訳（メタデータ） (2025-02-02T13:56:38Z) - Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。
複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。
変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
論文 参考訳（メタデータ） (2024-12-05T09:41:33Z) - Spiking Neural Networks with Consistent Mapping Relations Allow High-Accuracy Inference [9.667807887916132]
スパイクベースのニューロモルフィックハードウェアは、低エネルギー消費と効率的な推論において大きな可能性を証明している。
ディープスパイクニューラルネットワークの直接トレーニングは困難であり、変換ベースの手法では未解決の変換エラーのため、かなりの遅延が必要になる。
論文 参考訳（メタデータ） (2024-06-08T06:40:00Z) - Adaptive conversion of real-valued input into spike trains [91.3755431537592]
本稿では,実数値入力をスパイクトレインに変換し,スパイクニューラルネットワークで処理する方法を提案する。
提案手法は網膜神経節細胞の適応的挙動を模倣し,入力ニューロンが入力の統計の変化に応答することを可能にする。
論文 参考訳（メタデータ） (2021-04-12T12:33:52Z) - Sampling-free Variational Inference for Neural Networks with
Multiplicative Activation Noise [51.080620762639434]
サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。
提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
論文 参考訳（メタデータ） (2021-03-15T16:16:18Z) - And/or trade-off in artificial neurons: impact on adversarial robustness [91.3755431537592]
ネットワークに十分な数のOR様ニューロンが存在すると、分類の脆さと敵の攻撃に対する脆弱性が増加する。
そこで我々は,AND様ニューロンを定義し,ネットワーク内での割合を増大させる対策を提案する。
MNISTデータセットによる実験結果から,本手法はさらなる探索の方向として有望であることが示唆された。
論文 参考訳（メタデータ） (2021-02-15T08:19:05Z)
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。