DynaBench: 低分辨率数据学习动态系统的基准数据集
连续动力系统建模方法研究了数据驱动模型在解决微分方程方面的表现,通过 CodBench 进行了四类不同模型的全面评估并揭示了神经算子对新型力学数据集的困难,为建模动力系统的加速进展和探索提供了动力学研究资源。
Oct, 2023
介绍了一种基于偏微分方程的时间依赖性模拟任务的基准套件 PDEBench,其涵盖了更广泛的 PDE 范围、更大的数据集、更可扩展的源代码和新的评估指标,并可用于评估新型机器学习模型性能及与现有基线方法的比较。
Oct, 2022
Dynabench 是一个开源平台,支持动态数据集创建和模型基准测试,可以在一个 web 浏览器中运行。通过人和模型操作,使 annotators 创建能够被目标模型误分类但另一个人不能误分类的示例。本文认为,Dynabench 解决了当前模型在基准任务上表现优异,但在简单的挑战示例和实际场景中失败的问题。我们针对四个初始 NLP 任务,阐述了这些概念,突出了 Dynabench 平台的优点,并解决了动态基准测定作为新标准引起的潜在反对意见。
Apr, 2021
本研究提出一个基于 ERA5 档案的天气预报基准数据集,为了方便机器学习模型的使用进行了处理,并提出了简单明了的评估指标,旨在加速数据驱动的天气预报研究。
Feb, 2020
机器学习在各种科学应用中成功应用于基于网格的 PDE 建模。我们呈现 LagrangeBench,这是第一个针对拉格朗日粒子问题的基准测试套件,重点是时间粗粒化。
Sep, 2023
该论文介绍了一个包含 131 个已知的混沌动力系统的数据库,每个系统都与预计算的多变量和单变量时间序列相匹配,这些系统涵盖了天体物理学,气象学和生物化学等领域,并对每个系统的已知数学属性进行了注释,并通过多种方式使用该数据库进行了实验。
Oct, 2021
本研究针对机器学习模型在动态图中的学习和推理遇到的挑战,针对传统静态同构图数据集的局限性,提出了一种利用多元素科学出版涵盖的动态异构学术图数据集,测试模型预测任务的效能,并提出了一种系统方法来改善现有的图预测模型评估程序。
Apr, 2022
基于学习的偏微分方程(PDE)控制的学习环境和强化学习算法,通过引入三个基础性的 PDE 问题,降低了数据驱动控制领域中学习 PDE 控制的门槛,并在稳定性方面取得了进展,虽然代价较高。
May, 2024