全可微模型发现
机器学习
2021-10-06 v2 机器学习
摘要
模型发现旨在自主发现数据集背后的微分方程。基于物理信息神经网络（PINNs）的方法已显示出巨大前景，但一个显式学习方程的全可微模型仍难以实现。在本文中我们提出这样一种方法，通过将基于神经网络的代理与稀疏贝叶斯学习（SBL）相集成。该组合产生了一种鲁棒的模型发现算法，我们在多个数据集上展示了其实用性。随后我们识别出与多任务学习的联系，并基于此构建物理信息归一化流（PINF）。我们给出了使用 PINF 从单粒子数据直接学习密度模型的概念验证。我们的工作将 PINNs 扩展到各类神经网络架构，并将基于神经网络的代理与丰富的贝叶斯参数推断领域相连接。
引用
@article{arxiv.2106.04886,
title = {Fully differentiable model discovery},
author = {Gert-Jan Both and Remy Kusters},
journal= {arXiv preprint arXiv:2106.04886},
year = {2021}
}