PulseAugur
中
实时 06:56:00
English(EN) How Low Can You Go? Active Learning for Sparse Model Discovery in the Ultra-Low-Data Limit

新的主动学习方法有助于在数据量极少的情况下发现稀疏模型

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新的主动学习策略，用于发现复杂动力学系统的控制方程，特别是在数据稀缺的情况下。该方法建立在非线性动力学稀疏识别（SINDy）及其集成扩展（E-SINDy）的基础上，能够智能地选择最具信息量的数据点用于模型识别。在洛伦兹系统和Burgers方程等系统上的实验表明，与随机抽样相比，该方法可以用显著更少的样本准确识别动力学。 AI

排序理由 该集群包含一篇详细介绍科学发现新方法的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]

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 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Steven L. Brunton ·

    你能走多低？超低数据限制下稀疏模型发现的主动学习

    Identifying the governing equations of complex dynamical systems remains a fundamental challenge across science and engineering. While early approaches relied on empirical data and heuristics, modern data-driven methods offer greater flexibility and fewer assumptions. However, da…

相关实体

相关话题