Nov, 2021

哪些先验知识是重要的？学习潜在动态的模型基准测试

PDF
TL;DR本文研究如何通过强化机器学习模型的物理先验知识来解决物理图像理解问题，提出了一种包含 17 个物理系统的数据集，对当前物理启发式机器学习方法进行了细致的对比分析，结果表明尽管这些方法通常可以学习到具有良好性质的隐藏空间，但没有显著提升标准技术的性能。
machine learningphysical reasoningclassical mechanicsdynamicsautonomous driving
发现论文，激发创造
  • 面向任务不可知的深度强化学习动态先验

    通过学习通用的动力学先验以及使用物理视频进行预训练和微调，我们提出了一种加速政策学习和改进表现的基于模型的深度强化学习方法，同时也实现了更有效的环境迁移。

    May, 2019

  • 基于数据驱动的具有几何约束的非线性物理系统的计算方法

    该研究介绍了一种将机器学习与传统科学方法相结合的基于数据驱动的框架，将物理学的先验知识与先进的机器学习技术相结合，旨在解决基于第一原理和全力学习方法固有的计算和实际限制。通过嵌入特定于特定类别非线性系统的物理学先验，包括可分离和不可分离的哈密顿系统、双曲型偏微分方程和不可压缩流体动力学，我们的框架展示了四种算法。物理定律的内在结合保留了系统的内在对称性和守恒定律，确保了解的物理合理性和计算效率。这些先验的结合还提高了神经网络的表达能力，使其能够捕捉传统方法常常忽视的物理现象中的复杂模式。因此，尽管依赖于小数据集、短训练周期和小样本量，我们的模型在预测准确性、鲁棒性和预测能力方面优于现有的数据驱动技术，特别是识别训练集中缺失的特征。

    Jun, 2024

  • 基于物理知识约束的神经网络用于动力系统建模

    利用物理学基础知识作为先验知识，通过将物理学基础知识注入到神经网络结构中，从轨迹数据中学习动力学模型，并在模型的训练过程中通过增广拉格朗日法强制实施物理学知识约束，实验证明该做法比不包括先验知识的基线方法在相同的训练数据集上能够将系统动力学预测准确率提升两个数量级。

    Sep, 2021

  • 物理引导的深度学习用于动力系统：一份调查

    本文概述了将先验物理知识或基于物理建模方法与深度学习相结合的现有方法，并重点讨论了在学习动力系统方面所面对的基本挑战和新兴机遇。

    Jul, 2021

  • 运用物理先验信息的深度学习作为广义正则化器

    将近似模型作为物理先验加入模型以防止过拟合和增强训练模型的泛化能力。

    Dec, 2023

  • 学习物理模型的视觉定位

    该论文提出了一种神经模型，同时基于物理学原理和视觉先验进行推理和预测，通过对粒子的估计预测物理参数，即视觉基础，并在刚体、可变形材料和流体的复杂环境中证明了它的有效性，允许模型在几次观察内推断出物理特性，从而快速适应未见过的场景并进行准确的未来预测。

    Apr, 2020

  • 学习连续物理模型

    通过运用数值分析理论建立的收敛性测试方法，验证机器学习模型是否准确地学习了某个系统本质的连续动力学过程，成功的模型能够更好地插值和外推，为科学预测提供更精确的数学手段。

    Feb, 2022

  • 深度 Lagrangian 网络：以物理学为深度学习的模型先验

    使用理论物理知识，以很少的数据为样本，提出了一种新的深度学习方法 Deep Lagrangian Networks (DeLaN)，可用于机器人轨迹跟踪控制，能够在实时学习中更快速，更准确地进行模型学习， 并能更加可靠地对新的轨迹进行外推

    Jul, 2019

  • 使用归纳先验学习三维机器人感知

    通过使用结构性归纳偏差和先验知识，在机器人感知问题中提出了多种先验知识的来源和编码方法，以解决物体定位、决策制定和场景理解等挑战性问题。

    May, 2024

  • 通过物理潜变空间学习中间图像动态

    我们提出了一个框架，旨在学习两个连续时间步骤中观察到的图像之间的基本动态。通过估计图像演化的中间阶段，我们的方法关注在保持图像的空间相关性的同时提供可解释性，并通过偏微分方程中表示的物理模型引入潜在动态学变量，确保了所学模型的可解释性并提供了相应图像动态的洞察力。通过对地球科学图像数据进行一系列数值测试，我们证明了我们学习框架的鲁棒性和有效性。

    Oct, 2023