A spectrum of physics-informed Gaussian processes for regression in engineering

要約

一般にセンシングとデータの利用可能性が高まっているにもかかわらず、純粋にデータ駆動型のアプローチから多くの稼働中のエンジニアリング システムと構造を完全に特徴付けることは依然としてできていません。
人間の活動を捕捉するために利用できる膨大なデータとリソースは、私たちの工学的な世界では比類のないものであり、データが「大きい」と呼ばれる場合でも、運用期間や寿命を超えて情報を保持することはほとんどありません。
この論文では、限られたデータで予測モデルを作成する能力を強化するために、機械学習テクノロジーと物理ベースの推論の組み合わせを追求します。
確率過程の物理学ベースのビューをデータベースの回帰アプローチと明示的にリンクすることにより、システムに関するさまざまなレベルの専門知識を組み込むことを可能にする、可能なガウス過程モデルのスペクトルが導入されます。
例では、これらのアプローチがデータ収集への依存を大幅に削減しながら、この文脈におけるもう 1 つの重要な考慮事項であるモデルの解釈可能性を向上させる方法を示しています。

要約(オリジナル)

Despite the growing availability of sensing and data in general, we remain unable to fully characterise many in-service engineering systems and structures from a purely data-driven approach. The vast data and resources available to capture human activity are unmatched in our engineered world, and, even in cases where data could be referred to as “big,” they will rarely hold information across operational windows or life spans. This paper pursues the combination of machine learning technology and physics-based reasoning to enhance our ability to make predictive models with limited data. By explicitly linking the physics-based view of stochastic processes with a data-based regression approach, a spectrum of possible Gaussian process models are introduced that enable the incorporation of different levels of expert knowledge of a system. Examples illustrate how these approaches can significantly reduce reliance on data collection whilst also increasing the interpretability of the model, another important consideration in this context.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google