論文の概要: On generalized residue network for deep learning of unknown dynamical systems

• arxiv url: http://arxiv.org/abs/2002.02528v1
• Date: Thu, 23 Jan 2020 01:50:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 12:54:40.561438
• Title: On generalized residue network for deep learning of unknown dynamical systems
• Title（参考訳）: 未知力学系の深層学習のための一般化剰余ネットワークについて
• Authors: Zhen Chen and Dongbin Xiu
• Abstract要約: 我々は、ディープニューラルネットワーク(DNN)を用いた未知の力学系を学習するための一般的な数値的手法を提案する。 提案手法は,残余ネットワーク(ResNet)を有効なニューラルネットワーク構造として同定した最近の研究に基づいている。
• 参考スコア（独自算出の注目度）: 3.350695583277162
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a general numerical approach for learning unknown dynamical systems using deep neural networks (DNNs). Our method is built upon recent studies that identified the residue network (ResNet) as an effective neural network structure. In this paper, we present a generalized ResNet framework and broadly define residue as the discrepancy between observation data and prediction made by another model, which can be an existing coarse model or reduced-order model. In this case, the generalized ResNet serves as a model correction to the existing model and recovers the unresolved dynamics. When an existing coarse model is not available, we present numerical strategies for fast creation of coarse models, to be used in conjunction with the generalized ResNet. These coarse models are constructed using the same data set and thus do not require additional resources. The generalized ResNet is capable of learning the underlying unknown equations and producing predictions with accuracy higher than the standard ResNet structure. This is demonstrated via several numerical examples, including long-term prediction of a chaotic system.
• Abstract（参考訳）: 本稿では,ディープニューラルネットワーク(dnn)を用いた未知力学系学習のための一般数値解法を提案する。 本手法は,残差ネットワーク(resnet)を有効なニューラルネットワーク構造として同定する最近の研究に基づいている。 本稿では、一般化されたResNetフレームワークを提案し、既存の粗いモデルや縮小順序モデルである観測データと他のモデルによる予測との相違として残余を広く定義する。 この場合、一般化されたresnetは既存のモデルに対するモデル修正となり、未解決のダイナミクスを回復する。 既存の粗いモデルが利用できない場合は,一般化されたresnetと連動して,粗いモデルを高速に作成するための数値戦略を提案する。 これらの粗いモデルは、同じデータセットを使用して構築されるため、追加のリソースは必要ない。 一般化されたResNetは、基礎となる未知の方程式を学習し、標準のResNet構造よりも高い精度で予測を生成することができる。 これは、カオスシステムの長期予測を含むいくつかの数値例を通じて実証される。

関連論文リスト

• A method for quantifying the generalization capabilities of generative models for solving Ising models [5.699467840225041]
  我々は、ハミング距離正規化器を用いて、VANと組み合わせた様々なネットワークアーキテクチャの一般化能力を定量化する。 フィードフォワードニューラルネットワーク,リカレントニューラルネットワーク,グラフニューラルネットワークなど,VANと組み合わせたネットワークアーキテクチャの数値実験を行う。 本手法は,大規模Isingモデルの解法において,最適なネットワークアーキテクチャを探索するニューラルネットワーク探索の分野を支援する上で,非常に重要である。
  論文  参考訳（メタデータ） (2024-05-06T12:58:48Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Generalization and Estimation Error Bounds for Model-based Neural Networks [78.88759757988761]
  スパースリカバリのためのモデルベースネットワークの一般化能力は、通常のReLUネットワークよりも優れていることを示す。 我々は,高一般化を保証したモデルベースネットワークの構築を可能にする実用的な設計規則を導出する。
  論文  参考訳（メタデータ） (2023-04-19T16:39:44Z)
• An Interpretive Constrained Linear Model for ResNet and MgNet [4.407784399315197]
  畳み込みニューラルネットワーク(CNN)を用いた画像分類のための解釈可能な数学的モデルとして、制約付き線形データフィーチャーマッピングモデルを提案する。 線形系に対する従来の反復的スキームとResNet型およびMgNet型モデルの基本ブロックのアーキテクチャとの詳細な関係を確立する。 修正されたResNetモデルでは、元のモデルと比較してパラメータが少ないが、より正確な結果が得られる。
  論文  参考訳（メタデータ） (2021-12-14T14:52:44Z)
• Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
  我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。 我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。 提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
  論文  参考訳（メタデータ） (2021-10-20T06:15:45Z)
• Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
  生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。 また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
  論文  参考訳（メタデータ） (2021-06-24T01:40:17Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)
• Interpolation between Residual and Non-Residual Networks [24.690238357686134]
  ダンピング項を追加することで,新しいODEモデルを提案する。 提案モデルでは係数を調整してResNetとCNNの両方を復元可能であることを示す。 複数の画像分類ベンチマーク実験により,提案手法はResNetとResNeXtの精度を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2020-06-10T09:36:38Z)
• Learning Queuing Networks by Recurrent Neural Networks [0.0]
  データから性能モデルを導出する機械学習手法を提案する。 我々は、通常の微分方程式のコンパクトな系の観点から、それらの平均力学の決定論的近似を利用する。 これにより、ニューラルネットワークの解釈可能な構造が可能になり、システム測定からトレーニングしてホワイトボックスパラメータ化モデルを生成することができる。
  論文  参考訳（メタデータ） (2020-02-25T10:56:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。