Learning logic programs by discovering where not to search
University of Oxford（牛津大学）
归纳逻辑程序设计（ILP）的目标是寻找一个概括训练样本和背景知识（BK）的假设。为了提高性能，我们引入了一种方法，在搜索假设之前，首先发现不搜索的地方。我们使用给定的BK来发现对假设的约束，例如一个数不能既是偶数又是奇数。我们使用的约束引导约束驱动的ILP系统。我们在多个领域（包括程序合成和游戏）的实验表明，我们的方法可以（i）大大减少学习时间高达97%，和（ii）规模的域与数百万的事实。
2022-12-05 cs.AI cs.LG cs.LO
Constraint-Driven Small Language Models Based on Agent and OpenAlex Knowledge Graph: Mining Conceptual Pathways and Discovering Innovation Points in Academic Papers
Ziye Xia（未知）；Sergei S. Ospichev（未知）
针对学术论文分析中概念关系网络难以深入探索的问题，本文基于OpenAlex知识图谱提出一种利用小型语言模型和知识图谱约束Agent的关键概念路径分析方法，有效实现了概念提取与创新点识别，并通过微调Qwen和DeepSeek模型显著提升了准确率。
2025-11-05 cs.CL cs.LG
A Knowledge Graph-Enhanced Tensor Factorisation Model for Discovering Drug Targets
AstraZeneca（阿斯利康）
药物发现和开发过程是一个漫长而昂贵的过程，平均每种药物花费超过10亿美元，需要10-15年。为了减少整个过程中的高水平损耗，近十年来，人们越来越感兴趣地将机器学习方法应用于药物发现和开发的各个阶段，特别是在可药物化疾病基因的最早阶段鉴定。在本文中，我们开发了一种新的张量因子分解模型来预测治疗疾病的潜在药物靶点（基因或蛋白质）。我们使用从Open Targets和PharmaProjects数据库中提取的数据创建了一个三维数据张量，包括1，048个基因靶标，860种疾病和230，011个证据属性以及连接它们的临床结果。我们用从面向药物发现的知识图中学习的基因靶点表示来丰富数据，并应用我们提出的方法来预测看不见的基因靶点和疾病对的临床结果。我们设计了三种评估策略来衡量预测性能，并将几种常用的机器学习分类器与贝叶斯矩阵和张量因子分解方法一起进行基准测试。结果表明，结合知识图嵌入显着提高了预测精度，并且与密集神经网络一起训练张量因子分解优于所有其他基线。总之，我们的框架结合了两种积极研究的机器学习方法来识别疾病靶点，即张量因子分解和知识图表示学习，这可能是进一步探索数据驱动的药物发现的一个有前途的途径。
2022-08-19 cs.LG q-bio.QM
Discovering alignment relations with Graph Convolutional Networks: a biomedical case study
Université de Lorraine（洛林大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；LORIA（洛林计算机科学与应用研究实验室）；Orange（Orange公司）；Ubisoft（育碧公司）；Inria Paris（法国国家信息与自动化研究所巴黎中心）；Centre de Recherche des Cordeliers（科德利耶研究中心）；Inserm（法国国家健康与医学研究院）；Université de Paris（巴黎大学）；Sorbonne Université（索邦大学）
知识图谱可以在数据网络中自由聚合、发布和编辑，因此可能会重叠。因此，一个关键任务在于对齐（或匹配）它们的内容。该任务包括在聚合的知识图谱内识别等价的、更具体的或弱相关的节点。在这篇文章中，我们提出通过（i）使用图卷积网络学习节点嵌入来匹配知识图谱中的节点，使得相似的节点在嵌入空间中具有较低的距离，以及（ii）基于它们的嵌入对节点进行聚类，以便建议同一簇中节点之间的对齐关系。我们用这种方法对药物基因组学领域中对齐知识的现实应用进行了实验，这激发了我们的研究。我们特别研究了领域知识和GCN模型之间的相互作用，重点有以下两个。首先，在学习节点嵌入之前，我们独立或组合地应用与领域知识相关联的推理规则，并测量匹配结果的改进。其次，虽然我们的GCN模型对精确的比对关系是不可知的（例如，等价，弱相似性），我们观察到嵌入空间中的距离与这些不同关系的“强度”是一致的（例如，相等的距离更小），让我们考虑嵌入空间中的聚类和距离作为在我们的案例研究中建议对齐关系的手段。
2021-10-19 cs.AI cs.LG
Discovering the Rationale of Decisions: Experiments on Aligning Learning and Reasoning
University of Groningen（格罗宁根大学）；Utrecht University（乌得勒支大学）
在人工智能和法律中，为决策支持而设计的系统在追求正义时应该是可解释的。为了使这些系统公平和负责，它们应该作出正确的决定，并使用合理和透明的理由作出决定。在本文中，我们介绍了一种知识驱动的方法，模型无关的理由评估使用专用的测试用例，类似于专业软件开发中的单元测试。我们在一组机器学习实验中应用这种新方法，旨在从虚构和非虚构的法律设置的人工数据集中提取已知的知识结构。我们表明，我们的方法使我们能够分析黑盒机器学习系统的基本原理，通过评估哪些基本原理元素是学习或没有。此外，我们表明，可以调整使用量身定制的训练数据的基本原理评估的结果的基础上的基本原理。
2021-05-14 cs.AI cs.LG
Posets and Bounded Probabilities for Discovering Order-inducing Features in Event Knowledge Graphs
Department of Computer Science, University of Copenhagen（哥本哈根大学计算机科学系）；ServiceNow Denmark Aps（ServiceNow丹麦公司）；IT University of Copenhagen（哥本哈根信息技术大学）
本文提出基于概率框架的EKG发现算法，通过统计推断自动从未经整理数据中发现事件顺序特征。
2026-01-05 cs.AI cs.LG
Discovering Interpretable Machine Learning Models in Parallel Coordinates
Central Washington University（中央华盛顿大学）
本文通过平行坐标系下的可视化知识发现，研究了可解释的机器学习。超立方体和超块的概念被使用为在平行坐标中以视觉形式容易被最终用户理解。提出了混合超块和纯超块分类的Hyper算法，实现了在单个、多个、重叠和非重叠情况下交互式自动发现超块。超块与视觉模式的语言描述相结合。超模型是决策树的推广。Hyper算法在UCI ML库的基准数据上进行了测试。它允许用所有数据发现纯的和混合的HB，然后用10倍交叉验证。建立了超块、降维和可视化之间的联系。超块技术和Hyper算法的主要好处在于它们能够由最终用户发现和观察超块，包括并排可视化，使模式对所有类可见。HB集合相对于决策树的另一个优点是避免数据过度泛化和过度拟合的能力。
2021-07-04 cs.LG
Methodology for Mining, Discovering and Analyzing Semantic Human Mobility Behaviors
University of Tours（图尔大学）；LABISEN（LABISEN实验室）；Yncrea Ouest（西部伊克雷亚集团）
各种研究所产生的大型语义数据集包含有关日常活动和人类流动性的信息。对这些数据的分析和理解对于城市规划、社会心理学、政治学和流行病学至关重要。然而，没有一个典型的数据采掘过程被定制为语义移动序列的彻底分析，以将数据转换为可理解的行为。基于扩展的文献综述，我们提出了一种新的方法管道称为simba（移动性和行为分析的语义指标），用于挖掘和分析语义移动序列，以识别连贯的信息和人类行为。实现了一个基于不同互补统计指标和可视化工具的语义序列移动性分析和聚类可解释性框架。为了验证这种方法，我们使用了一个家庭旅行调查中获得的大量真实的日常流动性序列。在所提出的方法中，自动发现互补知识。
2020-12-20 cs.LG
Fast discovery of multidimensional subsequences for robust trajectory classification
Federal University of Santa Catarina（圣卡塔琳娜联邦大学）
随着每天生成大量移动数据，并通过新的信息源（如社交网络和物联网传感器）进行丰富，轨迹分类任务变得更加复杂。快速分类算法对于在实际应用中发现轨迹数据中的知识是必不可少的。在这项工作中，我们提出了一种方法，用于快速发现的子轨迹减少的搜索空间和优化的MASTERFovelets方法，这已被证明是有效的发现可解释的模式分类问题。
2021-02-09 cs.LG
A Method for Discovering Novel Classes in Tabular Data
Orange Labs（奥兰治实验室）；IMT Atlantique（大西洋国立高等矿业电信学校）
本文提出 TabularNCD 方法，首次将新类别发现（NCD）扩展到异构表格数据，通过伪标签定义和多任务学习联合优化，在 7 个公开数据集上验证了其有效性。
2022-11-14 cs.LG
Learning Hamiltonian neural Koopman operator and simultaneously sustaining and discovering conservation law
Research Institute of Intelligent Complex Systems, Fudan University（复旦大学智能复杂系统研究院）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；State Key Laboratory of Medical Neurobiology, Fudan University（复旦大学医学神经生物学国家重点实验室）
针对含噪声观测数据的动力学预测难题，提出哈密顿神经Koopman算子（HNKO），通过融合数学物理先验知识，实现自动维持与发现守恒定律，并在高自由度物理系统中展现出优越性能。
2024-06-04 cs.LG math-ph math.MP
Discovering Interesting Plots in Production Yield Data Analytics
University of California, Santa Barbara（加州大学圣巴巴拉分校）；NXP Semiconductor（恩智浦半导体）
分析过程是两个代理之间的迭代，分析师和分析工具箱。每次迭代包括三个主要步骤：准备数据集，运行分析工具和评估结果，其中由分析师进行的数据集准备和结果评估主要是领域知识驱动的。在这项工作中，重点是自动化的结果评估步骤。根本的问题是确定分析师认为有趣的情节。我们提出了一种基于生成对抗网络（GANs）学习分析师意图的方法，并使用从多条产品线收集的数据在生产良率优化的背景下演示其应用。
2018-07-11 cs.LG stat.ML
Knowledge Tracing for Complex Problem Solving: Granular Rank-Based Tensor Factorization
University at Albany - SUNY（纽约州立大学奥尔巴尼分校）；University of Pittsburgh（匹兹堡大学）；Federal University of Rio de Janeiro（里约热内卢联邦大学）
知识追踪是用户建模的重要应用之一，旨在对学生的知识水平进行建模并预测其表现。现代KT方法根据学生尝试问题的历史表现，在一组课程概念上建模并保持学生知识的最新状态。然而，KT方法被设计为通过观察智能辅导系统中相对较小的问题解决步骤来建模知识。虽然这些方法被成功地应用到学生的知识模型，通过观察学生解决简单问题的解决方案，他们没有表现得很好的学生复杂的问题解决的建模。最重要的是，目前的模型假设，所有的问题尝试是同样有价值的量化当前学生的知识。然而，复杂的问题，涉及到许多概念在同一时间，这个假设是不够的。在本文中，我们认为，并不是所有的尝试是同等重要的发现学生的知识状态，和一些尝试可以总结在一起，以更好地代表学生的表现。我们提出了一种新的学生知识跟踪方法，基于粒度Rank的TEnsor因式分解（GRATE），动态选择学生的尝试，可以聚合，同时预测学生的表现在问题中，并发现其中提出的概念。我们在三个真实世界数据集上的实验表明，与最先进的基线相比，GRATE在学生成绩预测任务中的性能有所提高。进一步的分析表明，尝试聚合消除了学生发现的知识状态中不必要的波动，有助于发现问题中复杂的潜在概念。
2022-10-06 cs.AI cs.CY cs.LG
Weak-PDE-Net: Discovering Open-Form PDEs via Differentiable Symbolic Networks and Weak Formulation
School of Mathematical Sciences, East China Normal University（东华大学数学科学学院）；Institute of Applied Physics and Computational Mathematics（应用物理与计算数学研究所）；Institute of Artificial Intelligence, Beihang University（北航人工智能研究所）；Shanghai Zhangjiang Institute of Mathematics（上海张江数学研究所）；Academy for Advanced Interdisciplinary Studies, Northeast Normal University（东北师范大学先进交叉学科研究院）
本文提出Weak-PDE-Net，通过可微符号网络和弱形式化方法，解决从稀疏噪声数据中发现偏微分方程的挑战，其核心方法包括前向响应学习器和弱形式PDE生成器，通过自适应捕捉系统动态和避免显式数值微分提升鲁棒性。
2026-03-24 cs.LG
ConceptLearner: Discovering Visual Concepts from Weakly Labeled Image Collections
MIT（麻省理工学院）；eBay Research Labs（eBay研究实验室）
从弱标记数据中发现视觉知识对于扩大计算机视觉识别系统是至关重要的，因为获得大量概念类别的完全标记数据是昂贵的。在本文中，我们提出了ConceptLearner，这是一个可扩展的方法来发现视觉概念，从弱标记的图像集合。成千上万的视觉概念检测器是自动学习的，没有人在循环中进行额外的注释。我们表明，这些学习的检测器可以应用于识别图像级的概念，并在图像区域级准确地检测概念。在特定领域的监督下，我们进一步评估了SUN数据库上的场景识别和Pascal VOC 2007上的目标检测的学习概念。与完全监督和弱监督方法相比，ConceptLearner表现出良好的性能。
2014-11-19 cs.AI cs.CV cs.LG
Non-linear Visual Knowledge Discovery with Elliptic Paired Coordinates
Central Washington University（中央华盛顿大学）
对于人类来说，用肉眼在超过2-3维的数据中实现视觉知识发现是具有挑战性的。本章探讨了使用新的椭圆配对坐标（EPC）可视化交互式发现预测机器学习模型的效率。结果表明，EPC能够可视化多维数据，并支持可视化机器学习与二维多维信息的保存。相对于平行和径向坐标，EPC可视化仅需要每个n-D点的一半视觉元素。在这项工作中开发的交互式软件系统EllipseVis，处理高维数据集，创建EPC可视化，并通过发现EPC中的优势规则来产生预测分类模型。通过使用交互式和自动化的过程，它发现了EPC中具有单一类别的高优势的区域。EPC方法在计算实验中成功地发现了具有高覆盖率和高精度的非线性预测模型。这可以通过产生视觉上吸引人的优势规则来使多个域受益。本章介绍了使用真实和模拟数据在实验中成功测试EPC非线性方法的结果、将EPC推广到动态椭圆配对坐标（DEPC）、结合坐标权重以优化视觉发现、引入替代设计以及引入基于EPC/DEPC的松散机器学习方法论的概念。
2021-07-11 cs.CV cs.GR cs.LG
Applying XAI based unsupervised knowledge discovering for Operation modes in a WWTP. A real case: AQUAVALL WWTP
Universidad de Valladolid（巴利亚多利德大学）；AQUAVALL
本文提出并测试了一种基于可解释人工智能（XAI）的无监督知识发现方法，用于从AQUAVALL污水处理厂的大量历史数据中提取少数几个可解释的运行模式，并在低维空间中展示相关变量和设施单元。
2025-06-06 cs.LG cs.SY eess.SY
Semantic Level of Detail for Knowledge Graphs: Discovering Abstraction Boundaries via Spectral Heat Diffusion
Mnemoverse.AI, Funchal, Madeira, Portugal（Mnemoverse.AI，法赫尔，马德拉，葡萄牙）
本文提出SLoD框架，通过谱热扩散在图拉普拉斯上定义连续缩放操作，解决知识图谱中抽象层次边界检测问题，实验证明其在合成数据和WordNet中的有效性。
2026-05-01 cs.AI cs.LG
Learning Nonholonomic Dynamics with Constraint Discovery
本文提出一种通过Hamel形式体系学习非完整动力系统动力学并发现系统约束的通用方法，证明了网络收敛存在局部最小值，并通过将拉格朗日量约化至李代数以保持系统对称性。
2025-11-03 cs.LG math-ph math.DS
Discovering Sequential Patterns in a UK General Practice Database
University of Nottingham（诺丁汉大学）
计算机化的医疗信息的财富变得容易获得提供了机会来检查疾病，治疗和反应的模式。这些模式可能能够预测患者可能发展的疾病，从而允许实施预防措施。本文将序列规则挖掘应用于全科医学数据库，以发现涉及患者年龄，性别和病史的规则。通过将这些规则纳入当前的医疗保健，可以根据过去或当前的疾病、性别和出生年份，突出显示患者对未来疾病的易感性。这种知识能够大大改善保健和降低保健费用。
2013-07-04 cs.CE cs.LG stat.AP
Random Copolymer inverse design system orienting on Accurate discovering of Antimicrobial peptide-mimetic copolymers
抗生素耐药性是最大的健康问题之一，尤其是在当前COVID-19大流行期间。抗菌肽类共聚物因其独特的破膜杀菌机制而受到广泛关注，寻找具有广谱、低毒抗菌作用的抗菌肽类化合物已成为当务之急。人工智能在小分子或生物技术药物方面表现出了显著的性能，然而，高分子空间的高维数和有限的实验数据限制了现有方法在共聚物设计中的应用。本文通过多模型共聚物表征学习、知识提取和强化学习，开发了一个通用的无规共聚物逆向设计系统。我们的系统实现了高精度的抗菌活性预测与Few-Shot数据提取各种化学信息的多模态共聚物表示。通过知识蒸馏预训练支架装饰器生成模型，共聚物空间大大收缩到现有数据的邻近空间进行探索。因此，我们的强化学习算法可以适应特定支架上的定制生成以及对属性或结构的要求。我们将我们的系统应用于收集的抗菌肽模拟共聚物数据，我们发现了具有所需特性的候选共聚物。
2022-12-08 cs.LG q-bio.BM
A data-driven approach for discovering heat load patterns in district heating
Center for Applied Intelligent Systems Research, Halmstad University（哈尔姆斯塔德大学应用智能系统研究中心）；Öresundskraft（厄勒松电力公司）；School of Business, Engineering and Science, Halmstad University（哈尔姆斯塔德大学工商与工程科学学院）
了解客户的热量使用情况对于有效的区域供热运营和管理至关重要。不幸的是，现有的知识客户和他们的热负荷行为是相当稀缺的。大多数以前的研究仅限于小规模的分析，不足以代表整个网络的行为。在这项工作中，我们提出了一种数据驱动的方法，使大规模的自动分析区域供热网络中的热负荷模式，而不需要先验知识。我们的方法聚类的客户配置文件到不同的组，提取他们的代表性模式，并检测不寻常的客户的配置文件偏离显着从他们的组的其余部分。使用我们的方法，我们提出了第一个大规模的，全面的热负荷模式进行案例研究，在六个不同的客户类别连接到两个区域供热网络在瑞典南部的许多建筑物。这1222座建筑物的总建筑面积为340万平方米，2016年使用了1540 TJ热量。结果表明，该方法具有很高的潜力，部署和使用在实践中，以分析和了解客户的用热习惯。
2019-09-18 cs.CE cs.LG stat.ML
Discovering Business Area Effects to Process Mining Analysis Using Clustering and Influence Analysis
QPR Software Plc（QPR软件公司）；Aalto University（阿尔托大学）
在大型组织中改进业务流程的一个常见挑战是，负责运营的业务人员缺乏对业务运营中发生的执行细节、流程变体和异常的基于事实的理解。虽然现有的流程挖掘方法可以基于事件日志发现这些细节，但将流程挖掘结果传达给业务人员是具有挑战性的。在本文中，我们提出了一种新的方法来发现业务领域的流程执行细节有显着的影响。我们的方法使用聚类组相似的情况下，基于流程的特点，然后影响分析，检测那些业务领域，最相关的发现集群。我们的分析是BPM人员和业务人员之间的桥梁，促进了这些群体之间的知识共享。我们还提出了一个基于公开的真实采购订单流程数据的示例分析。
2020-03-18 cs.DB cs.LG
Learning Fair Naive Bayes Classifiers by Discovering and Eliminating Discrimination Patterns
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Mila（米拉研究所）；Université de Montréal（蒙特利尔大学）；Polytechnique Montréal（蒙特利尔理工学院）
随着机器学习越来越多地用于现实世界的决策，最近的研究工作旨在定义和确保算法决策的公平性。现有的方法通常假设一组固定的可观察特征来定义个体，但缺乏对测试时未观察到的某些特征的讨论。在本文中，我们研究了朴素贝叶斯分类器的公平性，它允许部分观察。特别是，我们引入了歧视模式的概念，这是指一个人接受不同的分类，这取决于是否观察到一些敏感的属性。如果一个模型没有这样的模式，它就被认为是公平的。我们提出了一个算法来发现和挖掘的歧视模式在一个朴素贝叶斯分类器，并展示了如何学习最大似然参数受到这些公平性约束。我们的方法迭代地发现和消除歧视模式，直到学习到一个公平的模型。三个真实世界的数据集上的实证评估表明，我们可以删除指数许多歧视模式，只增加了一小部分作为约束。
2020-05-07 cs.AI cs.LG stat.ML
Discovering Dynamic Effective Connectome of Brain with Bayesian Dynamic DAG Learning
University of Tehran（德黑兰大学）；Carnegie Mellon University（卡内基梅隆大学）；Harvard Medical School（哈佛医学院）
针对高维动态DAG发现能力不足与fMRI数据质量低的挑战，提出融合M矩阵无环表征的贝叶斯动态DAG学习方法BDyMA，可更准确可靠地提取大脑动态有效连接组，融入DTI先验可进一步提升效果。
2024-03-09 cs.LG q-bio.NC
Discovering conservation laws from trajectories via machine learning
Korea Advanced Institute of Science and Technology（韩国科学技术院）
不变量和守恒定律传达了关于系统潜在动力学的关键信息，但在没有任何先验知识或人类洞察力的情况下，从大规模数据中找到它们通常是不可行的。我们提出了ConservNet来实现这一目标，这是一个神经网络，它可以自发地从分组数据中发现一个保守量，其中每个组的成员共享不变量，类似于观察不同试验轨迹的一般实验设置。作为一个使用称为噪声方差损失的新颖直观的损失函数训练的神经网络，ConservNet以数据驱动的端到端方式学习每组多维可观测量中的隐藏不变量。我们的模型成功地发现了潜在的不变量，从模拟系统具有不变量，以及现实世界的双摆轨迹。由于该模型是强大的各种噪声和数据条件相比，基线，我们的方法是直接适用于实验数据，发现隐藏的守恒律和变量之间的一般关系。
2021-06-30 cs.LG physics.class-ph physics.comp-ph
Discovering an interpretable mathematical expression for a full wind-turbine wake with artificial intelligence enhanced symbolic regression
School of Ocean and Civil Engineering, Shanghai Jiao Tong University（上海交通大学海洋与土木工程学院）；Ningbo Institute of Digital Twin, Eastern Institute of Technology（东方理工大学宁波数字孪生研究院）
本研究提出一种遗传符号回归算法，结合双高斯分布领域知识与分层方程结构，发现了全尾流区平均速度亏损的可解释数学表达式，该模型经实验与高保真数值模拟验证，具备高精度与稳健性。
2024-06-02 cs.LG cs.SC physics.flu-dyn
Discovering Hierarchy-Grounded Domains with Adaptive Granularity for Clinical Domain Generalization
Department of Computer Science, Stevens Institute of Technology（斯蒂文斯理工学院计算机科学系）；Weill Cornell Medicine Graduate School of Medical Sciences, Cornell University（韦尔医学院医学研究生院，康奈尔大学）
UdonCare通过利用医学本体发现基于层次结构的动态患者领域，提升临床领域泛化性能。
2026-09-15 cs.AI cs.LG
Discovering objects and their relations from entangled scene representations
DeepMind
我们的世界可以简洁而紧凑地描述为物体和关系的结构化场景。例如，一个典型的房间包含桌子、椅子和书籍等突出的对象，这些对象通常通过其潜在的原因和语义相互关联。这就产生了相关的特征，如位置、功能和形状。人类利用对象及其关系的知识来学习广泛的任务，更普遍的是学习观察数据的结构。在这项工作中，我们介绍了关系网络（RNs）-一个通用的神经网络架构的对象关系推理。我们表明，RNs能够从场景描述数据中学习对象关系。此外，我们表明，RNs可以作为一个瓶颈，诱导对象的因式分解纠缠场景描述输入，并从分布式的深度表示的场景图像提供的变分自编码器。该模型还可以与微分记忆机制结合使用，用于一次性学习任务中的内隐关系发现。我们的研究结果表明，关系网络是一个潜在的强大的架构，解决各种问题，需要对象关系推理。
2017-02-16 cs.CV cs.LG
Discovering Nonlinear PDEs from Scarce Data with Physics-encoded Learning
Northeastern University（东北大学）；Renmin University of China（中国人民大学）
提出一种物理编码离散学习框架，通过引入深度卷积-循环网络编码先验物理知识重建高保真数据，并利用稀疏回归识别显式方程，有效从稀缺有噪声数据中发现非线性偏微分方程。
2022-01-28 cs.AI cs.LG physics.comp-ph
Discovering conservation laws from data for control
University of Washington（华盛顿大学）
本文提出了一种数据驱动的方法，基于Koopman理论，从数据中发现守恒量，通过回归和幂级数展开识别守恒量，并利用这些内在坐标开发模型预测控制器来跟踪给定的参考值。
2018-11-02 cs.LG cs.SY eess.SY
Discovering State Variables Hidden in Experimental Data
Columbia University（哥伦比亚大学）
所有的物理定律都被描述为状态变量之间的关系，这些状态变量给出了相关系统动态的完整和非冗余的描述。然而，尽管计算能力和人工智能盛行，但识别隐藏状态变量本身的过程却抵制了自动化。大多数用于建模物理现象的数据驱动方法仍然假设观察到的数据流已经对应于相关的状态变量。一个关键的挑战是从零开始识别可能的状态变量集，仅给出高维观测数据。在这里，我们提出了一个新的原则，确定有多少状态变量的观察系统可能有，这些变量可能是，直接从视频流。我们证明了这种方法的有效性，使用视频记录的各种物理动力系统，从弹性双腔火火焰。没有任何先验知识的基础物理，我们的算法发现所观察到的动态的内在维度，并确定候选集的状态变量。我们认为，这种方法可以帮助催化理解，预测和控制日益复杂的系统。项目网址：https://www.cs.columbia.edu/~bchen/neural-state-variables
2021-12-20 cs.AI cs.CV cs.LG
