論文の概要: Mesh-Free Weak-Form Regression for Learning Interaction Kernels from Particle Trajectories
- arxiv url: http://arxiv.org/abs/2611.18455v1
- Date: Fri, 13 Nov 2026 17:27:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.401721
- Title: Mesh-Free Weak-Form Regression for Learning Interaction Kernels from Particle Trajectories
- Title(参考訳): 粒子軌道からの干渉カーネル学習のためのメッシュフリー弱形回帰
- Abstract要約: 雑音粒子軌道から相互作用カーネルを学習するためのメッシュフリーな弱形式回帰法を提案する。
平均場限界からの識別可能性の移動により、高い確率係数誤差境界が証明される。
数値計算の結果は, 理論係数誤差境界と一致する傾向を示した。
- 参考スコア(独自算出の注目度): 2.469382941401355
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose mesh-free weak-form regression for learning interaction kernels from noisy particle trajectories. Our method uses smooth test functions to avoid differentiating noisy data and empirical particle averages to avoid density reconstruction and spatial grids. We then fit sparse combinations of candidate functions, evaluating interaction terms on sampled particle pairs to avoid all-pair quadratic cost. By transferring identifiability from the mean-field limit, we prove high-probability coefficient error bounds that separate finite-particle, time-discretization, observation-noise, and pair-sampling errors, without grid-resolution or density-estimation terms. We evaluate one-dimensional (1D) Newtonian-repulsion, 2D predator-prey, and 10D distance-localized experiments. The numerical results show trends consistent with the theoretical coefficient-error bounds. Comparisons of weak and forward-difference formulations with LASSO, Ridge, and OLS show that weak LASSO gives the smallest coefficient and drift errors in the three nominal experiments.
- Abstract(参考訳): 雑音粒子軌道からの相互作用カーネルの学習のためのメッシュフリーな弱形式回帰法を提案する。
本手法は, 密度再構成や空間格子を回避するために, ノイズデータや経験的粒子平均の微分を避けるためにスムーズな試験関数を用いる。
次に、候補関数のスパース結合に適合し、全対二次コストを回避するために、サンプル粒子対上の相互作用項を評価する。
平均場限界からの識別可能性の移動により, 有限粒子, 時間分解, 観測ノイズ, ペアサンプリング誤差をグリッド分解能や密度推定項なしで分離した高確率係数誤差境界を証明した。
我々は,1次元(1次元)ニュートン反発,2次元捕食者前駆体,および10次元距離局所化実験を評価した。
数値計算の結果は, 理論係数誤差境界と一致する傾向を示した。
LASSO, Ridge, OLSとの弱差と前方差の定式化の比較により、3つの名目実験において、弱いLASSOが最小の係数とドリフト誤差を与えることが示された。
関連論文リスト
- Discrete Action Matching: Learning Stochastic Dynamics from Samples via State Graphs [57.50632332726287]
離散ワッサーシュタイン幾何に基づく有限状態のアクションマッチングを導入する。
所定の限界経路と輸送形状について、正準最小運動エネルギー電流に対する作用最小化の目的を導出する。
経験的なスナップショットとともに、DAMはまずこれらの比率を推定し、次にアクションポテンシャルを学習する。
論文 参考訳(メタデータ) (2026-10-04T09:13:33Z) - A Zeroth-Order Deep Learning Method for Fully Nonlinear Parabolic Partial Differential Equations with Unknown Coefficients [5.693122506667716]
未知係数を持つ高重み付き部分次元微分方程式(PDE)は機械学習において広く現れる。
既存のディープラーニング解法はしばしば微分演算子を評価するために繰り返し自動微分に依存する。
データ生成機構として2種類のシミュレータを導入し、基礎となるPDE演算子にアクセス可能な設定下でソリューションとそのデリバティブを学習する「表現型学習」アプローチを採用する。
論文 参考訳(メタデータ) (2026-06-23T16:04:43Z) - Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine [60.669081685261965]
拡散モデルは、顕著な品質で高次元データを生成する。
彼らのトレーニングがいかに効率的にスコア関数を学習するかは理論的には説明がつかないままである。
我々はこの原理をScore-induced Latent Diffusion (SiLD)として定式化する。
論文 参考訳(メタデータ) (2026-05-16T16:51:10Z) - Training-Free Generative Sampling via Moment-Matched Score Smoothing [0.6015898117103069]
拡散モデルは、摂動対象分布のスコアに沿ってデノイングすることでサンプルを生成する。
最近の研究は、スコアマッチングが暗黙的に経験的なスコアを滑らかにすることを示唆している。
モーメントマッチングされたスコアスムーズなランゲヴィンダイナミクスを提案する。
論文 参考訳(メタデータ) (2026-05-14T02:20:36Z) - Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。
速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
論文 参考訳(メタデータ) (2025-12-01T05:14:25Z) - Physics-Informed Neural Network based inverse framework for time-fractional differential equations for rheology [0.0]
時間差分方程式は、記憶効果によって特徴づけられる現象を捉えるための堅牢な枠組みを提供する。
しかし、分数微分を含む逆問題の解決は、安定性と特異性に関連する問題を含む顕著な課題を提示する。
本研究では, PINNの適用範囲を広げて, 時間-屈折微分を含む逆問題に対処し, 異常拡散と, 2) 分数粘弾性方程式の2つの問題を対象とする。
論文 参考訳(メタデータ) (2024-06-06T01:29:17Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳(メタデータ) (2023-04-10T17:54:38Z) - Learning Discretized Neural Networks under Ricci Flow [48.47315844022283]
低精度重みとアクティベーションからなる離散ニューラルネットワーク(DNN)について検討する。
DNNは、訓練中に微分不可能な離散関数のために無限あるいはゼロの勾配に悩まされる。
論文 参考訳(メタデータ) (2023-02-07T10:51:53Z) - Generative Ensemble Regression: Learning Particle Dynamics from
Observations of Ensembles with Physics-Informed Deep Generative Models [27.623119767592385]
本稿では,離散時間とスパース時間で粒子アンサンブルを観測することにより,支配する常微分方程式(SODE)を推定する新しい手法を提案する。
パーティクル座標は、スナップショット毎に記録されるが、スナップショット全体では再生されない。
サンプル経路を生成する物理インフォームド生成モデルを訓練することにより、観測された粒子アンサンブル分布を確率測定空間内の曲線に適合させることを目指す。
論文 参考訳(メタデータ) (2020-08-05T03:06:40Z) - Learning interaction kernels in stochastic systems of interacting
particles from multiple trajectories [13.3638879601361]
相互作用する粒子やエージェントのシステムと、相互作用カーネルによって決定されるダイナミクスを考察する。
正規化極大推定器に基づく逆問題に対する非パラメトリック推論手法を提案する。
相関条件により,この問題の条件数を制御し,推定器の整合性を証明することができることを示す。
論文 参考訳(メタデータ) (2020-07-30T01:28:06Z)
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。