SGM-PINN：用于加速物理信息神经网络训练的抽样图模型
机器学习
2024-07-11 v1
摘要
SGM-PINN是一个基于图的重要抽样框架，用于提高物理信息神经网络（PINN）在参数化问题上的训练效果。通过对从训练数据集中构建的无向概率图模型（PGM）应用图分解方案，我们的方法生成节点聚类，编码训练样本之间的条件依赖关系。对更重要的聚类进行抽样偏置，允许更小的 mini-batch 和训练数据集，从而提高训练速度和准确性。我们此外将一种高效鲁棒性度量与残差损失融合，以确定需要额外抽样的区域。实验表明，所提出的框架具有优势，实现的收敛速度比以前的领先抽样方法快3倍。
引用
@article{arxiv.2407.07358,
title = {SGM-PINN: Sampling Graphical Models for Faster Training of Physics-Informed Neural Networks},
author = {John Anticev and Ali Aghdaei and Wuxinlin Cheng and Zhuo Feng},
journal= {arXiv preprint arXiv:2407.07358},
year = {2024}
}