ترجمه فارسی مقاله پیش‌بینی سری‌های زمانی، تقطیر دانش، و اصلاح در یک مدل بنیادی PDE چندوجهی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Time-Series Forecasting, Knowledge Distillation, and Refinement within a Multimodal PDE Foundation Model
عنوان مقاله به فارسی پیش‌بینی سری‌های زمانی، تقطیر دانش، و اصلاح در یک مدل بنیادی PDE چندوجهی
نویسندگان Derek Jollie, Jingmin Sun, Zecheng Zhang, Hayden Schaeffer
فرمت مقاله انگلیسی PDF
تعداد صفحات 11
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 17 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 17 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Symbolic encoding has been used in multi-operator learning as a way to embed additional information for distinct time-series data. For spatiotemporal systems described by time-dependent partial differential equations, the equation itself provides an additional modality to identify the system. The utilization of symbolic expressions along side time-series samples allows for the development of multimodal predictive neural networks. A key challenge with current approaches is that the symbolic information, i.e. the equations, must be manually preprocessed (simplified, rearranged, etc.) to match and relate to the existing token library, which increases costs and reduces flexibility, especially when dealing with new differential equations. We propose a new token library based on SymPy to encode differential equations as an additional modality for time-series models. The proposed approach incurs minimal cost, is automated, and maintains high prediction accuracy for forecasting tasks. Additionally, we include a Bayesian filtering module that connects the different modalities to refine the learned equation. This improves the accuracy of the learned symbolic representation and the predicted time-series.

چکیده به فارسی (ترجمه ماشینی)

رمزگذاری نمادین در یادگیری چند اپراتور به عنوان راهی برای تعبیه اطلاعات اضافی برای داده های سری زمانی مشخص استفاده شده است.برای سیستم های مکانی مکانی که توسط معادلات دیفرانسیل جزئی وابسته به زمان توصیف شده است ، معادله خود یک روش اضافی برای شناسایی سیستم ارائه می دهد.استفاده از عبارات نمادین در امتداد نمونه های سری زمانی ، امکان توسعه شبکه های عصبی پیش بینی کننده چند مدلی را فراهم می کند.یک چالش مهم با رویکردهای فعلی این است که اطلاعات نمادین ، ​​یعنی معادلات ، باید به صورت دستی پردازش شوند (ساده ، تنظیم مجدد و غیره) برای مطابقت و ارتباط با کتابخانه توکن موجود ، که باعث افزایش هزینه ها و کاهش انعطاف پذیری می شود ، به خصوص هنگام برخورد با جدیدمعادلات دیفرانسیل.ما یک کتابخانه توکن جدید را بر اساس Sympy پیشنهاد می کنیم تا معادلات دیفرانسیل را به عنوان یک روش اضافی برای مدل های سری زمانی رمزگذاری کنیم.رویکرد پیشنهادی حداقل هزینه ، خودکار است و دقت پیش بینی بالایی را برای کارهای پیش بینی حفظ می کند.علاوه بر این ، ما یک ماژول فیلتر بیزی را درج می کنیم که روشهای مختلفی را برای اصلاح معادله آموخته شده متصل می کند.این باعث می شود صحت بازنمایی نمادین آموخته شده و سری زمانی پیش بینی شده باشد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.