MAPress
ترجمه فارسی مقاله LeMON: آموزش یادگیری شبکه های چند اپراتور

ترجمه فارسی مقاله LeMON: آموزش یادگیری شبکه های چند اپراتور

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی LeMON: Learning to Learn Multi-Operator Networks
عنوان مقاله به فارسی LeMON: آموزش یادگیری شبکه های چند اپراتور
نویسندگان Jingmin Sun, Zecheng Zhang, Hayden Schaeffer
فرمت مقاله انگلیسی PDF
زبان مقاله تحویلی
فرمت مقاله ترجمه شده
نحوه تحویل ترجمه
تعداد صفحات 19
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 28 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده 28 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP NASA ADS Google Scholar Semantic Scholar arXiv

📚 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

Single-operator learning involves training a deep neural network to learn a specific operator, whereas recent work in multi-operator learning uses an operator embedding structure to train a single neural network on data from multiple operators. Thus, multi-operator learning is capable of predicting a range of operators within one model. In this work, we propose pretraining and fine-tuning strategies for solving PDEs using multi-operator learning. One key aspect is that by increasing the number of families of operators used in pretraining, a PDE foundation model can be fine-tuned to downstream tasks involving new PDEs with a limited number of samples, thus outperforming single operator neural networks. Specifically, a multi-operator learning model pre-trained with data from diverse PDE families can predict unseen operators after fine-tuning with only a limited number of operators from the new family, enabling them to serve as a data-free PDE solver. We also show that the proposed training and fine-tuning method is able to predict new operators in zero-shot prediction without samples. Additionally, we introduce a PDE-agnostic meta-learning algorithm to improve the adaptability of the model to various PDEs by providing a better parameter initialization process. To address the needs of applications with limited computing resources, we explore low-rank adaptation methods that reduce computational costs while enhancing solver accuracy. Lastly, by examining the scaling law with respect to the number of operator families, we establish and highlight its potential for broad adaptation in PDE-solving tasks.

چکیده به فارسی (ترجمه ماشینی)

یادگیری تک اپراتور شامل آموزش یک شبکه عصبی عمیق برای یادگیری یک اپراتور خاص است ، در حالی که کار اخیر در یادگیری چند اپراتور از یک ساختار تعبیه کننده اپراتور برای آموزش یک شبکه عصبی منفرد بر روی داده ها از چندین اپراتورها استفاده می کند.بنابراین ، یادگیری چند اپراتور قادر به پیش بینی طیف وسیعی از اپراتورها در یک مدل است.در این کار ، ما استراتژی های تنظیم و تنظیم دقیق را برای حل PDE با استفاده از یادگیری چند اپراتور پیشنهاد می کنیم.یکی از جنبه های مهم این است که با افزایش تعداد خانواده های اپراتورهای مورد استفاده در پیش از این ، یک مدل بنیاد PDE می تواند به کارهای پایین دست مربوط باشد که شامل PDE های جدید با تعداد محدودی از نمونه ها است ، بنابراین از شبکه های عصبی مجرد استفاده می کند.به طور خاص ، یک مدل یادگیری چند اپراتور از پیش آموزش داده شده با داده های خانواده های مختلف PDE می تواند اپراتورهای غیب را پس از تنظیم دقیق با تعداد محدودی از اپراتورهای خانواده جدید پیش بینی کند ، و آنها را قادر می سازد تا به عنوان یک حل کننده PDE بدون داده خدمت کنند.ما همچنین نشان می دهیم که آموزش پیشنهادی و روش تنظیم دقیق قادر به پیش بینی اپراتورهای جدید در پیش بینی صفر و بدون نمونه است.علاوه بر این ، ما یک الگوریتم یادگیری متا-آگنوستیک PDE را برای بهبود سازگاری مدل با PDE های مختلف با ارائه یک فرآیند اولیه سازی پارامتر بهتر معرفی می کنیم.برای رفع نیازهای برنامه های با منابع محاسباتی محدود ، ما روشهای سازگاری با رتبه پایین را کشف می کنیم که ضمن افزایش دقت حل کننده ، هزینه های محاسباتی را کاهش می دهد.سرانجام ، با بررسی قانون مقیاس گذاری با توجه به تعداد خانواده های اپراتور ، پتانسیل آن را برای سازگاری گسترده در کارهای حل PDE ایجاد و برجسته می کنیم.

📚 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.