.png){kind=icon}
返回
A kinetic-based regularization method for data science applications
.png){kind=icon}
PRE
AI
DOI：doi:10.1088/2632-2153/adf93a.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种基于物理学的正则化技术用于函数学习，该技术受统计力学启发。通过将优化插值器参数与最小化系统能量进行类比，我们引入了修正项，这些修正项对数据分布的低阶矩施加约束。这最小化了数据离散表示和连续表示之间的差异，进而能够访问更有利的能量景观，从而提高插值器的准确性。我们的方法在插值和回归任务中均能提升性能，即使在多维空间中也如此。与传统的正则化方法不同，它不需要经验参数调优，因此在处理噪声数据时尤为有效。我们还表明，由于该方法的局部特性，它在计算和内存效率方面优于径向基函数插值器，尤其对于大规模数据集而言。
Keyword:
physics-based regularization
statistical mechanics
function learning
moment constraints
interpolator accuracy
期刊
M
IF:
4.6
论文数:
1.1K
被引数:
3.4K
机构
引用论文
Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏Noise injection for training artificial neural networks: A comparison with weight decay and early stopping.png)
MEDICAL PHYSICS
OAAI
MEDICAL PHYSICSIF3.2
OAAI分享收藏
查看更多内容