掠流增强卷积神经网络
机器学习
2024-06-28 v1
摘要
许多物理科学问题特征为空间-时间序列预测，这些问题范围从气象预测到疾病传播分析以及视频预测。现有技术通常将卷积神经网络 (CNN) 架构与时间预测机制组合。然而，这类方法往往在信息的长程传播方面表现不足且缺乏可解释性。本文提出一种受物理启发的架构用于解决此类问题。具体而言，我们提出通过设计一种新型半拉格朗日推算算子来增强 CNN。我们展示，该算子相对于标准卷积核实现了非局部信息变换。随后，我们将其与反应扩散神经组件相结合，构成一种模仿反应-掠流-扩散方程的网络，适用于高维情形。我们在多个时空数据集上演示了该网络的有效性。
引用
@article{arxiv.2406.19253,
title = {Advection Augmented Convolutional Neural Networks},
author = {Niloufar Zakariaei and Siddharth Rout and Eldad Haber and Moshe Eliasof},
journal= {arXiv preprint arXiv:2406.19253},
year = {2024}
}