Interpretable Meta-Learning of Physical Systems

要約

機械学習手法は科学プロセスにおいて貴重な助けとなりますが、データが不均一な実験条件から得られるという困難な状況に直面する必要があります。
最近のメタ学習手法は、マルチタスク学習において大幅な進歩を遂げていますが、ブラックボックス ニューラル ネットワークに依存しているため、計算コストが高くつき、解釈可能性が制限されます。
学習問題の構造を活用して、学習タスクに関してアフィン構造を備えたより単純な学習モデルを使用して、複数環境の一般化が達成できると主張します。
重要なのは、このアーキテクチャがシステムの物理パラメータを識別し、解釈可能な学習を可能にすることができることを証明したことです。
おもちゃのモデルから複雑な非分析システムに至るまで、物理システム上の最先端のアルゴリズムと比較することにより、この方法の競争力のある一般化パフォーマンスと低い計算コストを実証します。
私たちの方法の解釈可能性は、物理パラメータによる適応と適応制御への独自のアプリケーションで説明されています。

要約(オリジナル)

Machine learning methods can be a valuable aid in the scientific process, but they need to face challenging settings where data come from inhomogeneous experimental conditions. Recent meta-learning methods have made significant progress in multi-task learning, but they rely on black-box neural networks, resulting in high computational costs and limited interpretability. Leveraging the structure of the learning problem, we argue that multi-environment generalization can be achieved using a simpler learning model, with an affine structure with respect to the learning task. Crucially, we prove that this architecture can identify the physical parameters of the system, enabling interpreable learning. We demonstrate the competitive generalization performance and the low computational cost of our method by comparing it to state-of-the-art algorithms on physical systems, ranging from toy models to complex, non-analytical systems. The interpretability of our method is illustrated with original applications to physical-parameter-induced adaptation and to adaptive control.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google