PulseAugur
中
实时 18:24:17
English(EN) Potential failures of physics-informed machine learning in traffic flow modeling: theoretical and experimental analysis

关于PIML在交通流建模中失效的研究论文被撤回

作者 PulseAugur 编辑部 · [1 个来源] ·

Yuan-Zheng Lei 的一篇研究论文，最初于2025年5月提交给arXiv后被撤回，探讨了物理信息机器学习（PIML）在宏观交通流建模中失效的理论和实验原因。研究发现，有效的PIML更新需要数据和物理梯度都与真实梯度对齐，而低分辨率交通数据常常无法满足这一条件。该论文还指出，与LWR相比，ARZ等高阶模型具有更大的相容性误差界限，解释了为什么基于LWR的PIML可能优于基于ARZ的PIML。 AI

影响 这项研究突显了物理信息机器学习在特定建模情境下的潜在局限性，表明需要仔细考虑数据分辨率和梯度对齐问题。

排序理由 该集群包含一篇被撤回的学术论文，讨论了机器学习技术的理论和实验分析。[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 →

关于PIML在交通流建模中失效的研究论文被撤回

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Yuan-Zheng Lei, Yaobang Gong, Dianwei Chen, Yao Cheng, Xianfeng Terry Yang ·

    物理信息机器学习在交通流建模中的潜在失效：理论与实验分析

    arXiv:2505.11491v3 Announce Type: replace Abstract: This study investigates why physics-informed machine learning (PIML) can fail in macroscopic traffic flow modeling. We define failure as cases where a PIML model underperforms both purely data-driven and purely physics-based bas…

相关话题