論文の概要: Neural Ordinary Differential Equation Control of Dynamics on Graphs

• arxiv url: http://arxiv.org/abs/2006.09773v5
• Date: Fri, 15 Oct 2021 00:09:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 20:28:39.885923
• Title: Neural Ordinary Differential Equation Control of Dynamics on Graphs
• Title（参考訳）: グラフ上のダイナミクスの神経常微分方程式制御
• Authors: Thomas Asikis, Lucas B\"ottcher and Nino Antulov-Fantulin
• Abstract要約: 本研究では, 連続時間非線形力学系の軌道を制御し, フィードバック制御信号を計算するニューラルネットワークの能力について検討する。 我々はニューラルネットワーク制御(NODEC)フレームワークを提案し、グラフ力学系を所望の目標状態に駆動するフィードバック制御信号を学習できることを見出した。
• 参考スコア（独自算出の注目度）: 2.750124853532831
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the ability of neural networks to calculate feedback control signals that steer trajectories of continuous time non-linear dynamical systems on graphs, which we represent with neural ordinary differential equations (neural ODEs). To do so, we present a neural-ODE control (NODEC) framework and find that it can learn feedback control signals that drive graph dynamical systems into desired target states. While we use loss functions that do not constrain the control energy, our results show, in accordance with related work, that NODEC produces low energy control signals. Finally, we evaluate the performance and versatility of NODEC against well-known feedback controllers and deep reinforcement learning. We use NODEC to generate feedback controls for systems of more than one thousand coupled, non-linear ODEs that represent epidemic processes and coupled oscillators.
• Abstract（参考訳）: 神経常微分方程式 (neural ordinary differential equation,neural odes) で表されるグラフ上の連続時間非線形力学系の軌道を操るフィードバック制御信号を計算するニューラルネットワークの能力について検討した。 そこで我々は,ニューラル-ode制御(nodec)フレームワークを提案し,グラフ力学系を目標状態へと導くフィードバック制御信号を学習できることを見出した。 我々は制御エネルギーを制約しない損失関数を用いるが、この結果からNODECは低エネルギー制御信号を生成することを示す。 最後に,よく知られたフィードバックコントローラと深層強化学習に対するnodecの性能と汎用性を評価する。 流行過程と結合発振器を表す1000以上の結合非線形odeシステムに対するフィードバック制御をnodecを用いて生成する。

関連論文リスト

• Neural Control: Concurrent System Identification and Control Learning with Neural ODE [13.727727205587804]
  ニューラル・コントロール(NC)と呼ばれる未知の力学系を制御するニューラル・ODEに基づく手法を提案する。 本モデルは,対象状態へ誘導する最適制御と同様に,システムダイナミクスを同時に学習する。 実験では,未知の力学系の最適制御を学習するためのモデルの有効性を実証した。
  論文  参考訳（メタデータ） (2024-01-03T17:05:17Z)
• From NeurODEs to AutoencODEs: a mean-field control framework for width-varying Neural Networks [68.8204255655161]
  本稿では,動的に駆動する制御フィールドをベースとした,AutoencODEと呼ばれる新しいタイプの連続時間制御システムを提案する。 損失関数が局所凸な領域では,多くのアーキテクチャが復元可能であることを示す。
  論文  参考訳（メタデータ） (2023-07-05T13:26:17Z)
• The least-control principle for learning at equilibrium [65.2998274413952]
  我々は、平衡反復ニューラルネットワーク、深層平衡モデル、メタラーニングを学ぶための新しい原理を提案する。 私たちの結果は、脳がどのように学習するかを明らかにし、幅広い機械学習問題にアプローチする新しい方法を提供します。
  論文  参考訳（メタデータ） (2022-07-04T11:27:08Z)
• Graph-Coupled Oscillator Networks [23.597444325599835]
  Graph-Coupled Networks (GraphCON)は、グラフのディープラーニングのための新しいフレームワークである。 我々のフレームワークは,様々なグラフベースの学習タスクにおける最先端技術に関して,競争力のあるパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2022-02-04T18:29:49Z)
• Physics-informed Neural Networks-based Model Predictive Control for Multi-link Manipulators [0.0]
  物理インフォームド機械学習手法を用いて,多体ダイナミクスに対する非線形モデル予測制御(NMPC)について論じる。 本稿では,ネットワーク入力として制御動作と初期条件を付加することでPINNの強化を提案する。 PINNベースのMPCを用いて,複雑な機械システムにおける追跡問題の解法を提案する。
  論文  参考訳（メタデータ） (2021-09-22T15:31:24Z)
• Incorporating NODE with Pre-trained Neural Differential Operator for Learning Dynamics [73.77459272878025]
  ニューラル微分演算子(NDO)の事前学習による動的学習における教師付き信号の強化を提案する。 NDOは記号関数のクラスで事前訓練され、これらの関数の軌跡サンプルとそれらの導関数とのマッピングを学習する。 我々は,NDOの出力が,ライブラリの複雑さを適切に調整することで,基礎となる真理微分を適切に近似できることを理論的に保証する。
  論文  参考訳（メタデータ） (2021-06-08T08:04:47Z)
• 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)
• Implicit energy regularization of neural ordinary-differential-equation control [3.5880535198436156]
  暗黙的なエネルギー正規化を伴う汎用型ニューラル常微分方程式制御(NODEC)フレームワークを提案する。 nodecは動的システムを、予め定義された時間内に、望ましいターゲット状態に向けて制御できることを実証する。
  論文  参考訳（メタデータ） (2021-03-11T08:28:15Z)
• Controlling nonlinear dynamical systems into arbitrary states using machine learning [77.34726150561087]
  機械学習(ML)を活用した,新しい完全データ駆動制御方式を提案する。 最近開発されたMLに基づく複雑なシステムの予測機能により、非線形系は任意の初期状態から来る任意の動的対象状態に留まることが証明された。 必要なデータ量が少なく,柔軟性の高いコントロールスキームを備えることで,工学から医学まで幅広い応用の可能性について簡単に議論する。
  論文  参考訳（メタデータ） (2021-02-23T16:58:26Z)
• DyNODE: Neural Ordinary Differential Equations for Dynamics Modeling in Continuous Control [0.0]
  本稿では,ニューラル常微分方程式の枠組みに制御を組み込むことにより,システムの基盤となる力学を捉える新しい手法を提案する。 以上の結果から,アクター批判強化学習アルゴリズムと組み合わせた単純なDyNODEアーキテクチャが,標準ニューラルネットワークより優れていることが示唆された。
  論文  参考訳（メタデータ） (2020-09-09T12:56:58Z)
• Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
  本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。 数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。 我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
  論文  参考訳（メタデータ） (2020-06-02T23:38:35Z)

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。