論文の概要: Efficient Closure Learning in Dynamical Systems: A Comparison of Data-Assimilated and Embedded Approaches
- arxiv url: http://arxiv.org/abs/2611.03612v1
- Date: Mon, 02 Nov 2026 18:47:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:36:14.65394
- Title: Efficient Closure Learning in Dynamical Systems: A Comparison of Data-Assimilated and Embedded Approaches
- Title(参考訳): 動的システムにおける効率的なクロージャ学習:データ同化手法と組込み手法の比較
- Abstract要約: 閉包モデルは、縮小あるいは不完全な力学系における未解決効果を近似する。
データ駆動クロージャは、モデルの正確性と適用性を改善する柔軟なメカニズムを提供する。
構成および訓練段階の計算モデルにクロージャを埋め込むアプローチは、計算コストが高く、訓練中に計算モデルに数値的不安定を引き起こす可能性がある。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Increased computing power has transformed computational science and improved predictive capabilities for complex systems, but many phenomena still exceed current simulation capabilities or require rapid evaluations for fast design iterations. Closure models address this challenge by approximating unresolved effects in reduced or incomplete dynamical systems. Data-driven closures offer a flexible mechanism for improving model accuracy and applicability, but approaches that embed the closure within a computational model for construction and training phases can be computationally expensive and cause numerical instabilities in the computational model during training. To avoid the challenges posed by embedded approaches, staged approaches to closure-model learning have been developed. The first stage uses data assimilation to infer state and closure trajectories from observations. The second stage trains a machine learning closure model offline using the assimilated data, thereby avoiding repeated simulator calls during training. In this work, we investigate the cost and accuracy tradeoffs between embedded and staged data-driven closure modeling approaches for a synthetic epidemiological SIQR model with a nonlinear state-dependent quarantine closure. The results illustrate a practical accuracy-efficiency trade-off: for this exemplar, embedded training provides the strongest average accuracy, while the staged approach yields comparable qualitative behavior with a moderate increase in error, substantially fewer model evaluations, and improved optimization robustness.
- Abstract(参考訳): 計算能力の向上は計算科学を変革し、複雑なシステムの予測能力を改善したが、多くの現象は依然として現在のシミュレーション能力を超えている。
クロージャモデルは、縮小あるいは不完全な力学系における未解決効果を近似することでこの問題に対処する。
データ駆動クロージャは、モデルの精度と適用性を改善する柔軟なメカニズムを提供するが、構成および訓練段階のための計算モデルにクロージャを組み込むアプローチは、計算コストが高くなり、訓練中に計算モデルに数値的不安定を引き起こす可能性がある。
組込みアプローチによる課題を避けるため,クロージャモデル学習への段階的なアプローチが開発されている。
第1段階では、観測から状態と閉鎖軌道を推測するためにデータ同化を用いる。
第2ステージは、同化データを使用して機械学習クロージャモデルをオフラインでトレーニングすることにより、トレーニング中の繰り返しシミュレータコールを回避する。
本研究では, 非線形状態依存型検疫閉鎖を伴う合成疫学SIQRモデルにおいて, 組込み型データ駆動型クロージャモデルとステージ型データ駆動型クロージャモデルとのコストと精度のトレードオフについて検討する。
この例では、組込みトレーニングが最も高い平均精度を提供する一方、段階的アプローチでは、誤差が適度に増加し、モデル評価が大幅に減少し、最適化ロバスト性が向上する。
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) - An Adaptive Framework for Autoregressive Forecasting in CFD Using Hybrid Modal Decomposition and Deep Learning [3.1337872355726084]
この研究は著者の知識を最大限に活用するために、ディープラーニング(DL)自己回帰予測モデルを長期間の地平線上で安定化させるために設計された、最初の一般化可能で完全なデータ駆動適応フレームワークを提示する。
提案手法は, (i) 訓練されたDLモデルを用いて, 選択した時間間隔で流れ場の進化を予測し, (ii) 安定度が低下した場合に新たに生成されたCFDデータを用いてモデルを更新することにより, 正確な長期予測を行う。
この枠組みは, 層流から乱流まで, より複雑化する3つの流路にまたがって検証され, 30%から95パーセントの範囲で実証された。
論文 参考訳(メタデータ) (2025-05-02T18:33:41Z) - A Theoretical Perspective: How to Prevent Model Collapse in Self-consuming Training Loops [55.07063067759609]
高品質なデータは大規模な生成モデルのトレーニングには不可欠だが、オンラインで利用可能な実際のデータの膨大な蓄積はほとんど枯渇している。
モデルは、さらなるトレーニングのために独自のデータを生成し、自己消費訓練ループ(STL)を形成する。
一部のモデルは劣化または崩壊するが、他のモデルはこれらの失敗をうまく回避し、理論的な理解にかなりのギャップを残している。
論文 参考訳(メタデータ) (2025-02-26T06:18:13Z) - On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳(メタデータ) (2024-10-21T18:31:04Z) - Towards Learning Stochastic Population Models by Gradient Descent [0.0]
パラメータと構造を同時に推定することで,最適化手法に大きな課題が生じることを示す。
モデルの正確な推定を実証するが、擬似的、解釈可能なモデルの推論を強制することは、難易度を劇的に高める。
論文 参考訳(メタデータ) (2024-04-10T14:38:58Z) - Towards Stable Machine Learning Model Retraining via Slowly Varying Sequences [6.067007470552307]
そこで本研究では,リトレーニングを繰り返して安定なモデル列を見つけるためのモデルに依存しないフレームワークを提案する。
最適モデルの復元が保証される混合整数最適化の定式化を開発する。
平均的に、予測力の2%の低下は、安定性の30%の改善につながることが判明した。
論文 参考訳(メタデータ) (2024-03-28T22:45:38Z) - Improved Long Short-Term Memory-based Wastewater Treatment Simulators for Deep Reinforcement Learning [0.0]
排水処理データのトレーニングモデルを改善するための2つの手法を実装した。
実験結果から, これらの手法を用いることで, シミュレーションの動作を1年を通して動的時間ワープで改善できることがわかった。
論文 参考訳(メタデータ) (2024-03-22T10:20:09Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳(メタデータ) (2022-11-09T23:40:52Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z)
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。