面向物理信息机器学习的加性可分性测试比较评估
机器学习
2023-12-20 v2
摘要
表征物理系统的许多函数是加性可分的。例如，物理学中的力学 Hamiltonian 函数、生物学中的种群增长方程，以及经济学中的消费者偏好与效用函数。我们考虑需要测试某函数的代理模型是否具有加性可分性的场景。检测到代理模型具有加性可分性可被利用以改善进一步的学习。因此，具备在代理模型中测试此类可分性的能力是有益的。数学方法为测试代理模型的混合偏导数是否为零，或在经验上低于某一阈值。我们提出并从经验上比较评估了八种计算代理函数混合偏导数的方法。
引用
@article{arxiv.2312.09775,
title = {A Comparative Evaluation of Additive Separability Tests for Physics-Informed Machine Learning},
author = {Zi-Yu Khoo and Jonathan Sze Choong Low and Stéphane Bressan},
journal= {arXiv preprint arXiv:2312.09775},
year = {2023}
}