کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4967194 1449365 2017 24 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Machine learning of linear differential equations using Gaussian processes
ترجمه فارسی عنوان
یادگیری ماشین از معادلات دیفرانسیل خطی با استفاده از فرآیندهای گاوسی
کلمات کلیدی
یادگیری ماشین احتمالی، مشکلات معکوس، معادلات دیفرانسیل تقسیم، عدم قطعیت اندازه گیری، ژنومیک عملکردی،
ترجمه چکیده
این کار پیشرفت های اخیر در یادگیری ماشین های احتمالی را به دست می دهد تا معادلات حاکم را بیان کند که توسط اپراتور خطی پارامتری بیان می شود. چنین معادلات عبارتند از: اختلاف منظم و عادی، یکپارچگی دیفرانسیل و اپراتورهای مختلط، اما محدود به آنها نیست. در اینجا، فرایندهای گاوسی با توجه به فرم خاصی از چنین اپراتورها اصلاح می شوند و برای تعیین پارامترهای معادلات خطی از مشاهدات کمیاب و احتمالا پر سر و صدا استفاده می شود. چنین مشاهداتی ممکن است از آزمایشات یا یک جعبه سیاه باشد؟ شبیه سازی کامپیوتری، همانطور که در چند نمونه مصنوعی نشان داده شده است و کاربرد واقعی در ژنومیک عملکردی.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
چکیده انگلیسی
This work leverages recent advances in probabilistic machine learning to discover governing equations expressed by parametric linear operators. Such equations involve, but are not limited to, ordinary and partial differential, integro-differential, and fractional order operators. Here, Gaussian process priors are modified according to the particular form of such operators and are employed to infer parameters of the linear equations from scarce and possibly noisy observations. Such observations may come from experiments or “black-box” computer simulations, as demonstrated in several synthetic examples and a realistic application in functional genomics.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Computational Physics - Volume 348, 1 November 2017, Pages 683-693
نویسندگان
, , ,