[论文解读] The Weak Form Is Stronger Than You Think

Daniel A. Messenger, April Tran+2 more|arXiv (Cornell University)|Sep 10, 2024

Stochastic Gradient Optimization Techniques被引用 5

一句话总结

一份综述与方法论指南，表明通过测试函数和卷积的弱形式表述，可以在嘈杂数据中实现对控制方程、参数估计和粗粒化的鲁棒、高效学习。

ABSTRACT

The weak form is a ubiquitous, well-studied, and widely-utilized mathematical tool in modern computational and applied mathematics. In this work we provide a survey of both the history and recent developments for several fields in which the weak form can play a critical role. In particular, we highlight several recent advances in weak form versions of equation learning, parameter estimation, and coarse graining, which offer surprising noise robustness, accuracy, and computational efficiency. We note that this manuscript is a companion piece to our October 2024 SIAM News article of the same name. Here we provide more detailed explanations of mathematical developments as well as a more complete list of references. Lastly, we note that the software with which to reproduce the results in this manuscript is also available on our group's GitHub website https://github.com/MathBioCU .

研究动机与目标

• 综述在学习控制方程、参数估计和粗粒化方面，弱形式方法的历史与当前发展。
• 突出弱形式表述相比强形式方法在噪声鲁棒性和计算效率方面的优势。
• 讨论可重复结果的实际实现、算法和软件（例如 WSINDy）。
• 举例说明在嘈杂数据中的方程学习、鲁棒的参数推断以及动力系统的粗粒化应用。

提出的方法

• 通过用平滑测试函数对数据进行卷积并利用分部积分将导数移到测试函数上来解释弱形式。
• 展示弱形式如何将待估算的算子候选库中的系数转化为回归问题。
• 介绍 WSINDy (Weak-form SINDy) 及广义最小二乘法以解决参数估计中的噪声与偏差。
• 演示隐空间弱形式学习 (WLaSDI) 在鲁棒的降维建模中的应用。
• 讨论通过弱形式识别扩展到粗粒化和平均场极限。

实验结果

研究问题

• RQ1 弱形式表述如何在含噪数据中实现对控制偏微分方程/常微分方程项的准确学习？
• RQ2 相比强形式方法，弱形式方法在多大程度上可以改进参数估计并降低模型偏差？
• RQ3 弱形式学习是否能够从微观数据或高度振荡的数据中识别粗粒化描述或平均场描述？
• RQ4 测试函数的选择在弱形式方程学习的性能与稳定性中扮演什么角色？

主要发现

• 弱形式方程学习（例如 WSINDy）在高噪声条件下实现对模型项的准确识别（例如在 KS 上的 50% 加性噪声下的演示）。
• 弱形式方法在参数估计方面比强形式残差方法更快速且对噪声更鲁棒，通常优于 OE 方法。
• 隐空间弱形式建模 (WLaSDI) 在带噪声的情况下对 ROMs 提供了大幅度的加速（约 200 倍）和较低的误差（约 4%），鲁棒性延伸至高噪声。
• 弱形式技术使基于粒子数据和高度振荡系统的平均场 PDEs 和 Hamiltonian 动力学的粗粒化学习成为可能。
• 该方法支持在多种群系统中学习参与者特定的力，并通过学习到的模型进行聚类以揭示人口结构。