ترجمه فارسی مقاله Bindy-شناسایی بیزی دینامیک غیرخطی با مونت کارلو با زنجیره مارکوف برگشت پذیر

چکیده

Model parsimony is an important \emph{cognitive bias} in data-driven modelling that aids interpretability and helps to prevent over-fitting. Sparse identification of nonlinear dynamics (SINDy) methods are able to learn sparse representations of complex dynamics directly from data, given a basis of library functions. In this work, a novel Bayesian treatment of dictionary learning system identification, as an alternative to SINDy, is envisaged. The proposed method — Bayesian identification of nonlinear dynamics (BINDy) — is distinct from previous approaches in that it targets the full joint posterior distribution over both the terms in the library and their parameterisation in the model. This formulation confers the advantage that an arbitrary prior may be placed over the model structure to produce models that are sparse in the model space rather than in parameter space. Because this posterior is defined over parameter vectors that can change in dimension, the inference cannot be performed by standard techniques. Instead, a Gibbs sampler based on reversible-jump Markov-chain Monte-Carlo is proposed. BINDy is shown to compare favourably to ensemble SINDy in three benchmark case-studies. In particular, it is seen that the proposed method is better able to assign high probability to correct model terms.

چکیده به فارسی (ترجمه ماشینی)

پارسیمونی مدل یک تعصب شناختی مهم در مدل سازی داده محور است که به تفسیر کمک می کند و به جلوگیری از تناسب بیش از حد کمک می کند.شناسایی پراکنده روشهای پویایی غیرخطی (SINDY) قادر به یادگیری نمایش های پراکنده پویایی پیچیده به طور مستقیم از داده ها ، با توجه به مبنای توابع کتابخانه است.در این کار ، یک درمان جدید بیزی از شناسایی سیستم یادگیری فرهنگ لغت ، به عنوان جایگزینی برای سندی ، پیش بینی شده است.روش پیشنهادی – شناسایی بیزی از پویایی غیرخطی (BINDY) – از رویکردهای قبلی متمایز است زیرا توزیع کامل خلفی مفصل را بیش از هر دو اصطلاح موجود در کتابخانه و پارامتر آنها در مدل هدف قرار می دهد.این فرمول این مزیت را به این مزیت اعطا می کند که ممکن است یک قبلی دلخواه بر روی ساختار مدل قرار گیرد تا مدلهایی را تولید کند که در فضای مدل پراکنده باشند و نه در فضای پارامتر.از آنجا که این خلفی بر روی بردارهای پارامتر تعریف شده است که می توانند در ابعاد تغییر کنند ، استنباط نمی تواند با تکنیک های استاندارد انجام شود.در عوض ، یک نمونه گیبس مبتنی بر مونت-کارلو با زنجیره مارکوف برگشت پذیر-پرش قابل برگشت ، پیشنهاد شده است.نشان داده شده است که در سه مطالعه موردی معیار ، مطلوب با گروه سندی را مقایسه می کند.به طور خاص ، مشاهده می شود که روش پیشنهادی بهتر می تواند برای اصلاح شرایط مدل ، احتمال بالایی را اختصاص دهد.