PulseAugur
中
实时 20:24:55
English(EN) Learning dynamical systems from noisy data with Weak-form Kernel Ridge Regression

新的WKRR方法增强了从含噪声动力学系统数据中学习的能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为弱形式核岭回归（WKRR）的新方法，以改进从含噪声数据中学习动力学系统。该方法结合了有助于过滤噪声的弱形式和核学习策略。实验证明，WKRR对于干净和含噪声数据集都有效，并且在基准混沌系统和真实世界流体数据上，即使在高维情况下，也优于现有方法。 AI

影响 这种新方法通过更好地处理真实世界的含噪声数据，有望提高科学模拟和预测的准确性。

排序理由 该集群包含一篇详细介绍新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的WKRR方法增强了从含噪声动力学系统数据中学习的能力

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Max Kreider, John Harlim, Daning Huang ·

    使用弱形式核岭回归从噪声数据中学习动力学系统

    arXiv:2607.00257v1 Announce Type: new Abstract: Accurate prediction of complex dynamical systems from noisy measurements remains a significant challenge in scientific computing. Kernel ridge regression learning strategies are often effective when applied to clean data, but have l…

相关话题