- 缺失感知多分支自注意力编码器用于不规则纵向电子健康档案的 MUSE-Net
大数据时代使大量的临床数据变得容易获得,特别是以电子健康记录(EHRs)的形式,提供了发展数据驱动诊断工具以增强临床决策的前所未有的机会。然而,将 EHRs 应用于数据驱动建模面临着使时间间隔不规则的多变量时间序列、不完整问题和数据不平衡等 - 计量中的数据驱动建模 - 简介、现状和未来展望
数学模型在计量领域至关重要,对于从测量数据推导出测量结果和计算不确定度扮演关键角色。最近,数据驱动建模方法在大规模网络传感器系统中得到广泛应用,以应对实时环境的快速变化和有限的专家理解。
- 差分代数系统的可识别性
本文介绍了一种针对非线性代数微分方程 (DAE) 模型的新型可辨识性测试方法,无需进行非线性变换、指标降低或 DAE 的数值积分。通过对不同的 DAE 模型进行可辨识性分析,展示了系统可辨识性如何依赖于传感器选择、实验条件和模型结构,该研究 - 建模大规模步行和骑行网络:使用移动手机和众包数据的机器学习方法
通过机器学习方法,结合众包和手机数据以及其他人口、土地利用、地形和气候等多个数据集,本研究在澳大利亚新南威尔士州的大范围区域网络上开发和应用了一个模型,用于估计每日步行和骑行量。研究讨论了模型训练、测试和推断的挑战,提出了一种新的技术来识别 - 高效的计算与内存使用策略的强韧预测分析
在当前的数据密集时代,大数据已成为人工智能(AI)的重要资产,为开发基于数据驱动模型和揭示各个未知领域提供基础。本研究通过应用 Robust Principal Component Analysis(RPCA)进行噪声降低和异常值剔除,以及 - 时态一致的 Koopman 自动编码器用于预测动力系统
通过引入时间一致的 Koopman 自编码器(tcKAE),本文解决了模型训练数据有限和含噪声时 KAE 方法效果不佳的问题,并在简单摆动、动力学等多个测试案例中实证了 tcKAE 模型相较于现有模型的优越性能。
- 神经微分代数方程
基于神经微分代数方程的数据驱动建模方法在涉及保守关系等复杂系统建模任务中表现出了鲁棒性和外推能力。
- 城市声音传播:复杂物理系统一步生成建模基准
通过数据驱动的建模来评估物理系统中的复杂性,通过一步式生成学习模型在模拟中实现加速,提出基于城市声音传播的新型评估基准,提供包含 100k 样本的数据集,通过四个具有不同复杂度的模拟任务进行评估。
- GA-SmaAt-GNet:极端降水即时预报的生成对抗小注意力 GNet
提出了 GA-SmaAt-GNet,一种新颖的生成对抗网络架构,通过使用两种方法以提高极端降水近场的深度学习模型的性能。首先,使用了基于 SmaAt-UNet 架构的新型 SmaAt-GNet 作为生成器,这个网络利用降水蒙版(二值化降水图 - 混合建模设计模式
介绍了用于混合建模的设计模式,将基于第一原理的建模方法与数据驱动的建模技术相结合,提供了四个基本模式和两个组合模式,以说明从气候建模、工程和物理等应用领域的典型案例中可以将数据驱动的组件与领域知识相结合的混合建模方法。
- 弱形式潜在空间动力学识别
基于弱形式方程的数据驱动建模技术在 LaSDI 算法中显示出显著的噪声鲁棒性提高,引入的 WLaSDI 相较于 LaSDI 具有更强的鲁棒性和精度,速度也得到了数个数量级的提升。
- MM利用低质量 X 射线摄影术、通过模拟进行的合成 X 射线数据增强,以及机器学习自动检测铝合金压铸材料和纤维金属层压板中的隐藏损伤和杂质
使用 X 射线单投影和多投影(CT)图像进行自动损伤和缺陷检测的基于数据驱动建模的方法和挑战,主要包括数据和特征的变异性,数据特征标注(用于监督机器学习),以及缺乏地面实况数据等。
- 渐进降阶建模:以选择性知识传输强化数据驱动建模
通过减少数据需求并提高数据驱动模型的实际性,我们提出了一种渐进降阶建模框架,通过选择性地从之前的训练模型中转移有价值的知识,从而创建一个具有高准确性的代理模型。我们的研究通过缓解数据稀缺问题,解锁了数据驱动建模在实际工程应用方面的潜力,为各 - 学会无处不在的驾驶
提出了一个地理感知的条件模仿学习模型 AnyD,能够有效地从多样性和全球分布的数据中学习,适应局部细微差异以及在数据驱动的方式下建模区域间的相似性,并在多个数据集、城市和可扩展的部署范式下取得显著性能改进。
- 利用机器学习推进低温等离子体建模和模拟
通过综述现有文献,本文讨论了基于数据驱动建模的新型机器学习算法在低温等离子体模拟和建模研究中的应用,阐述了其在物理、化学、表面相互作用和过程控制等领域的潜在应用。
- 基于 RNN 残差的动态系统故障诊断中数值积分分析
本文研究了神经常微分方程约束下计算精度随时间的方法,使用在动态系统中,通过数据驱动建模和机器学习技术用于技术系统的残差评价,可以高效地检测故障,提高系统稳定性
- 液体流动建模中等变和不变对称性的重要性
本研究建立了多尺度同变 GNN 模型用于预测流体流动情况,并研究了同变和不变表示方法对模型预测的影响,结果表明使用不变量可以更准确地预测长期流体流动情况且这些不变量可以通过数据驱动编码器学习。
- 应用于摩擦搅拌加工的神经集总参数微分方程
应用数据驱动模型的思想并利用通用微分方程,构建适用于研究复杂系统(如摩擦搅拌焊接)的简化模型,旨在控制系统的过程,并且通过点测量来减少动力学方程的复杂度。
- ICLR学习增强可扩展代理以用于网格物理学的科学计算算法
本文讲解了如何通过域分解方案将 MeshGraphNets(MGN)应用于具有百万节点的 3D 网格,进而生成计算流体力学(CFD)模拟结果,并通过高阶数值积分技术提高 MGN 的准确性和训练时间,为其在实际应用中的大规模使用提供了有效的路 - 科学中的人工智能:一个新兴议程
本报告总结了 Dagstuhl Seminar 22382“科学中的机器学习:桥接数据驱动和机理建模” 的讨论并提出了如何协作来推动人工智能和科学发现的新一波进展的路线图。