Компьютерные науки > Машинное обучение [представлено 13 марта 2026 (v1), последний пересмотренный вариант 15 сентября 2026 года (эта версия, v2)) Название: Deep Invertible Autoencoders for Dimentality Management of Dynamical Systems View PDF HTML (экспериментальный) резюме: Создание моделей с пониженным порядком (ROM), способных эффективно прогнозировать эволюцию зависящих от параметров высокомерных динамических систем имеет решающее значение для многих прикладных программ в инженерно-прикладной науке. Популярный класс проекционных ПЗУ прогнозирует динамику высокомерной модели полного заказа (FOM) в низкоразмерном спектре. Эти основанные на прогнозах подходы к ПЗУ часто основаны на таких классических методах сокращения выбросов моделей, как надлежащее ортогональное разложение (РОД) или в последнее время на архитектуре нейронных сетей, например автоенкодеров (АЭ). В том случае, если ПЗУ построено МО, то его приближение гарантируется на основе единичных значений рассматриваемой проблемы. Вместе с тем методы, основанные на МО, могут страдать от медленного разложения уникальных значений в проблемах транспорта и адвекции. В отличие от этого, ОУ позволяют повысить потенциал сокращения выбросов по сравнению с МО, зачастую при первых нескольких режимах, но за счет теоретических соображений. Кроме того, часто отмечается, что AES обнаруживает тарелку погрешности проекции с увеличением размера испытательного коллектора. В этой работе мы предлагаем неперевернутую архитектуру AE,…
Глубокие инвертируемые автокоды для снижения параметров динамических систем
arXiv: 2603.134996v2 Annualce Type: заменить резюме: создание моделей с пониженным заказом (ROM), способных эффективно прогнозировать эволюцию зависящих от параметров высокомерных динамических систем, имеет решающее значение для многих прикладных программ в области инженерного и прикладного производства. Популярный класс проекционных ПЗУ прогнозирует динамику высокомерной модели полного заказа (FOM) в низкоразмерном спектре. Эти основанные на прогнозах подходы к ПЗУ часто основаны на таких классических методах сокращения выбросов моделей, как надлежащее ортогональное разложение (РОД) или в последнее время на архитектуре нейронных сетей, например автоенкодеров (АЭ). В том случае, если ПЗУ построено МО, то его приближение гарантируется на основе единичных значений рассматриваемой проблемы. Вместе с тем методы, основанные на МО, могут страдать от медленного разложения уникальных значений в проблемах транспорта и адвекции. В противоположность этому, ПВ позволяют повысить потенциал сокращения выбросов по сравнению с МО, часто при первых нескольких режимах