כתבה
arXiv cs.LG ·
Fourier Weak SINDy: בחירת תפקידי ספקטרליים לזיהוי דגימה רובוסטני
Fourier Weak SINDy: Spectral Test Function Selection for Robust Model Identification
מתודה חדשה לזיהוי דגימה רובוסטני המשתמשת בבחירת תפקידי ספקטרליים. המתודה משלבת למידה דגימה חלשה עם הערכת צפיפות ספקטרלית לבחירת תפקידי ספקטרליים. המתודה נבדקה במספר דגימות קאוסיות והיא הציגה תוצאות טובות.
תקציר מקורי באנגליתarXiv:2604.20141v2 Announce Type: replace Abstract: We introduce Fourier Weak SINDy, a minimal noise-robust and interpretable derivative-free equation learning method that combines weak-form sparse equation learning with spectral density estimation for data-driven test function selection. By using orthogonal sinusoidal test functions inspired by their prevalence in Modulating Function-based system identification, the weak-form sparse regression problem reduces to a regression over Fourier coefficients. Dominant frequencies are then selected via multitaper estimation of the frequency spectrum of the data. This formulation unifies weak-form learning and spectral estimation within a compact and flexible framework. We illustrate the effectiveness of this approach in numerical experiments acros
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית