不完整、受限和嘈杂数据中的偏微分方程主成分流图学习
原文中文,约300字,阅读约需1分钟。发表于: 。我们提出了一种用于在简化基础上模拟动态系统演化的计算技术,重点研究了在高维非均匀网格上对部分观测到的偏微分方程(PDEs)进行建模的难题。
该文章介绍了一种新颖的网格无关模型,用于从具有噪声和部分观测的不规则时空网格中学习偏微分方程。该模型具有高效的概率框架和新颖的编码器设计,能够提高数据效率和网格独立性。通过分摊变分推断和多射击技术,该模型在复杂的合成和真实世界数据集上展示了最先进的性能,能够有效处理部分观测数据。该模型优于最近的方法,显示了推进数据驱动的偏微分方程建模的潜力,并能够对复杂的部分观测动态过程进行稳健、网格无关的建模。