論文の概要: Generative ODE Modeling with Known Unknowns
- arxiv url: http://arxiv.org/abs/2003.10775v2
- Date: Tue, 30 Mar 2021 11:31:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 08:24:14.432134
- Title: Generative ODE Modeling with Known Unknowns
- Title（参考訳）: 未知情報を用いた生成ODEモデリング
- Authors: Ori Linial, Neta Ravid, Danny Eytan, Uri Shalit
- Abstract要約: 我々は、既知のODE関数を組み込んだ変分オートエンコーダ(GOKU-net for Generative ODE Modeling with Known Unknowns)を開発した。
既知の未知のパラメータをモデル化することで,臨床的に意味のないシステムパラメータの発見に成功していることを示す。
- 参考スコア（独自算出の注目度）: 14.834625066344582
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In several crucial applications, domain knowledge is encoded by a system of
ordinary differential equations (ODE), often stemming from underlying physical
and biological processes. A motivating example is intensive care unit patients:
the dynamics of vital physiological functions, such as the cardiovascular
system with its associated variables (heart rate, cardiac contractility and
output and vascular resistance) can be approximately described by a known
system of ODEs. Typically, some of the ODE variables are directly observed
(heart rate and blood pressure for example) while some are unobserved (cardiac
contractility, output and vascular resistance), and in addition many other
variables are observed but not modeled by the ODE, for example body
temperature. Importantly, the unobserved ODE variables are known-unknowns: We
know they exist and their functional dynamics, but cannot measure them
directly, nor do we know the function tying them to all observed measurements.
As is often the case in medicine, and specifically the cardiovascular system,
estimating these known-unknowns is highly valuable and they serve as targets
for therapeutic manipulations. Under this scenario we wish to learn the
parameters of the ODE generating each observed time-series, and extrapolate the
future of the ODE variables and the observations. We address this task with a
variational autoencoder incorporating the known ODE function, called GOKU-net
for Generative ODE modeling with Known Unknowns. We first validate our method
on videos of single and double pendulums with unknown length or mass; we then
apply it to a model of the cardiovascular system. We show that modeling the
known-unknowns allows us to successfully discover clinically meaningful
unobserved system parameters, leads to much better extrapolation, and enables
learning using much smaller training sets.
- Abstract（参考訳）: いくつかの重要な応用において、ドメイン知識は通常の微分方程式(ODE)の体系によって符号化される。
心臓血管系とその関連する変数(心拍数、心臓収縮性、出力、血管抵抗)のような重要な生理機能のダイナミクスは、ODEの既知のシステムによって概ね説明できる。
通常、ODE変数のいくつかは直接観察される(心拍数や血圧など)が、一部の変数は観察されない(心臓収縮性、出力、血管抵抗)。
我々はそれらの存在と機能的ダイナミクスは知っているが、直接測定することはできず、観測されたすべての測定値にそれらを結びつける関数も知らない。
医学、特に心臓血管系では、これらの既知の未知を推定することは非常に貴重であり、治療の標的として機能する。
このシナリオでは、観測された各時系列を生成するODEのパラメータを学習し、ODE変数と観測結果の将来を概説したい。
本稿では,GOKU-net(Goku-net for Generative ODE Modeling with Known Unknowns)と呼ばれる,既知のODE関数を組み込んだ変分オートエンコーダを用いてこの問題に対処する。
まず,長さや質量が不明な単振り子と二重振り子のビデオを用いて本手法を検証し,心血管系のモデルに適用する。
既知の未知のパラメータをモデル化することで,臨床的に有意義なシステムパラメータの発見に成功し,補間精度が向上し,より小さなトレーニングセットを用いた学習が可能になる。
関連論文リスト
- Causal Graph ODE: Continuous Treatment Effect Modeling in Multi-agent
Dynamical Systems [70.84976977950075]
実世界のマルチエージェントシステムは、しばしば動的で連続的であり、エージェントは時間とともにその軌道や相互作用を共進化させ、変化させる。
本稿では,グラフニューラルネットワーク(GNN)をODE関数として,エージェント間の連続的な相互作用をキャプチャする新しいモデルを提案する。
我々のモデルの主な革新は、治療の時間依存表現を学習し、ODE関数にそれらを組み込むことで、潜在的な結果の正確な予測を可能にすることである。
論文 参考訳（メタデータ） (2024-02-29T23:07:07Z) - A statistical approach to latent dynamic modeling with differential
equations [0.0]
通常の微分方程式(ODE)は、プロセスの時間的局所的な変化の力学モデルを提供することができる。
本稿では,各観測結果を初期値として利用して,複数のローカルODEソリューションを得る方法を提案する。
脊髄性筋萎縮症に対するアプローチとそれに対応するシミュレーション研究について述べる。
論文 参考訳（メタデータ） (2023-11-27T20:02:55Z) - Generalizing Graph ODE for Learning Complex System Dynamics across
Environments [33.63818978256567]
GG-ODEは、環境全体にわたる継続的マルチエージェントシステムのダイナミクスを学習するための機械学習フレームワークである。
我々のモデルは、グラフニューラルネットワーク(GNN)によりパラメータ化されたニューラル常微分方程式(ODE)を用いてシステムダイナミクスを学習する。
様々な物理シミュレーション実験により,我々のモデルは,特に長距離において,システム力学を正確に予測できることが示されている。
論文 参考訳（メタデータ） (2023-07-10T00:29:25Z) - Discovering ordinary differential equations that govern time-series [65.07437364102931]
本研究では, 1つの観測解の時系列データから, スカラー自律常微分方程式(ODE)を記号形式で復元するトランスフォーマーに基づくシーケンス・ツー・シーケンス・モデルを提案する。
提案手法は, 1回に一度, ODE の大規模な事前訓練を行った後, モデルのいくつかの前方通過において, 新たに観測された解の法則を推測することができる。
論文 参考訳（メタデータ） (2022-11-05T07:07:58Z) - Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。
理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。
本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
論文 参考訳（メタデータ） (2022-10-12T06:46:38Z) - Neural Laplace: Learning diverse classes of differential equations in
the Laplace domain [86.52703093858631]
本稿では,これらすべてを含む多種多様な微分方程式(DE)を学習するための統一的な枠組みを提案する。
時間領域の力学をモデル化する代わりに、ラプラス領域でモデル化する。
The experiment, Neural Laplace shows excellent performance in modelling and extrapolating the trajectories of various class of DEs。
論文 参考訳（メタデータ） (2022-06-10T02:14:59Z) - Post-Regularization Confidence Bands for Ordinary Differential Equations [6.3582148777824115]
我々は、未知の機能とノイズの多いデータ観測を備えたODEにおける個々の規制機能に対する信頼バンドを構築した。
構築された信頼バンドはカーネルのカバレッジ確率が所望であることを示し、回復した規制ネットワークは1つに傾向のある真理に近づいた。
論文 参考訳（メタデータ） (2021-10-24T19:21:10Z) - Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease
Progression [71.7560927415706]
潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。
新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
論文 参考訳（メタデータ） (2021-06-05T11:42:45Z) - Stiff Neural Ordinary Differential Equations [0.0]
我々はまず、ロバートソン問題における古典的な硬質ODEシステムにおける神経ODEの学習の課題を示す。
次に,ロバートソン問題と大気汚染問題の厳密なシステムにおける実証実験を行った。
論文 参考訳（メタデータ） (2021-03-29T05:24:56Z) - Neural ODE Processes [64.10282200111983]
NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。
我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
論文 参考訳（メタデータ） (2021-03-23T09:32:06Z)
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。