[논문 리뷰] Stabilizing discrete empirical interpolation via randomized and deterministic oversampling

Benjamin Peherstorfer, Zlatko Drmač외 1명|arXiv (Cornell University)|2018. 08. 30.

Model Reduction and Neural Networks참고 문헌 36인용 수 14

한 줄 요약

이 논문은 노이즈 조건 하에서 비선형 모델 축소의 경험적 보간을 안정화하기 위해 랜덤화 및 결정론적 오버샘플링 기법을 제안한다. 확률적 분석과 k-means 군집화와 연결된 고유벡터 기반 샘플링 전략을 활용하여, 가우시안 노이즈와 수치적 부정확성에 대한 강건성을 향상시켰으며, 이는 합성 문제와 확산-반응 문제에서 검증되었다.

ABSTRACT

This work investigates randomized and deterministic oversampling in (discrete) empirical interpolation for nonlinear model reduction. Empirical interpolation derives approximations of nonlinear terms from a few samples via interpolation in low-dimensional spaces. It has been demonstrated that empirical interpolation can become unstable if the samples from the nonlinear terms are perturbed due to, e.g., noise, turbulence, and numerical inaccuracies. Our probabilistic analysis shows that randomized oversampling stabilizes empirical interpolation in the presence of Gaussian noise. Furthermore, we present deterministic oversampling strategies that select points by descending in directions of eigenvectors corresponding to sampling point updates and by establishing connections between sampling point selection and k-means clustering. Our numerical results demonstrate on synthetic and diffusion-reaction problems that randomized and deterministic oversampling with our approach stabilizes empirical interpolation in the presence of noise.

연구 동기 및 목표

• 비선형 항 샘플이 노이즈, 난류 또는 수치 오류에 의해 훼손될 경우 경험적 보간의 불안정성 문제를 해결한다.
• 샘플링 오차가 축소된 순서 모델링에서 이산 경험적 보간의 안정성에 미치는 영향을 조사한다.
• 노이즈 존재 조건에서도 정확성과 안정성을 유지할 수 있는 강건한 샘플링 전략을 개발한다.
• 샘플링 점 선택과 k-means 군집화 간의 이론적 및 수치적 연관성을 확립하여 점의 분포를 향상시킨다.
• 다양한 테스트 문제에서 랜덤화 및 결정론적 오버샘플링이 경험적 보간을 안정화하는 데 효과적인지 시연한다.

제안 방법

• 가우시안 노이즈 하에서 랜덤 오버샘플링이 경험적 보간을 안정화함을 보여주기 위해 확률적 분석을 적용한다.
• 샘플링 점 갱신 행렬의 고유벡터에 기반한 결정론적 오버샘플링 전략을 도입한다.
• 샘플링 점 선택을 k-means 군집화와 일치하는 최적화 문제로 공식화하여 공간 분포를 향상시킨다.
• 오버샘플링을 경험적 보간 프레임워크에 통합하여 조건수를 감소시키고 수치적 안정성을 향상시킨다.
• 저차원 보간 공간을 사용하여 비선형 항을 근사하면서 입력 오차에 대한 민감도를 최소화한다.
• 랜덤화 및 결정론적 전략을 조합하여 다양한 합성 및 실제 PDE 문제에서의 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 가우시안 노이즈는 비선형 모델 축소에서 경험적 보간의 안정성에 어떻게 영향을 미치는가?
• RQ2 랜덤 오버샘플링은 노이즈 있는 샘플링 조건 하에서 경험적 보간을 효과적으로 안정화시킬 수 있는가?
• RQ3 고유벡터 및 군집화에 기반한 결정론적 샘플링 전략은 보간 안정성을 어떻게 향상시키는가?
• RQ4 다양한 비선형 문제 유형에서 오버샘플링 기법의 성능 및 강건성은 어떻게 비교되는가?
• RQ5 오버샘플링은 경험적 보간에서 조건수를 얼마나 감소시키고 정확도를 향상시키는가?

주요 결과

• 확률적 분 析를 통해 랜덤 오버샘플링이 가우시안 노이즈 하에서 경험적 보간을 안정화함을 확인하였다.
• 샘플링 갱신 행렬의 고유벡터에 기반한 결정론적 오버샘플링 전략은 보간 안정성을 향상시키고 오차에 대한 민감도를 감소시켰다.
• 제안된 결정론적 전략은 샘플링 점 선택과 k-means 군집화 사이에 직접적인 연결 고리를 형성하여 공간 분포를 향상시켰다.
• 합성 문제와 확산-반응 문제에 대한 수치 실험을 통해 두 오버샘플링 접근 방식이 불안정성을 감소시키고 정확도를 향상시킴을 확인하였다.
• 보간 행렬의 조건수 증가를 효과적으로 완화하여 더 신뢰할 수 있는 축소된 순서 모델을 도출하였다.
• 랜덤화 및 결정론적 오버샘플링의 조합은 다양한 노이즈 수준과 문제 구성에서 강건한 성능을 제공하였다.