論文の概要: Variational Deep Learning for the Identification and Reconstruction of
Chaotic and Stochastic Dynamical Systems from Noisy and Partial Observations
- arxiv url: http://arxiv.org/abs/2009.02296v6
- Date: Tue, 16 Feb 2021 16:58:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 01:52:41.936079
- Title: Variational Deep Learning for the Identification and Reconstruction of
Chaotic and Stochastic Dynamical Systems from Noisy and Partial Observations
- Title（参考訳）: 雑音・部分観測によるカオス・確率力学系の同定と再構成のための変分深度学習
- Authors: Duong Nguyen, Said Ouala, Lucas Drumetz and Ronan Fablet
- Abstract要約: 支配方程式の同定は、ノイズや部分的な観測を扱う際には依然として困難である。
提案するフレームワークでは,システムの真の状態を再構築するための推論モデルが学習される。
このフレームワークは、古典的なデータ同化と最先端の機械学習技術をブリッジする。
- 参考スコア（独自算出の注目度）: 15.82296284460491
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The data-driven recovery of the unknown governing equations of dynamical
systems has recently received an increasing interest. However, the
identification of governing equations remains challenging when dealing with
noisy and partial observations. Here, we address this challenge and investigate
variational deep learning schemes. Within the proposed framework, we jointly
learn an inference model to reconstruct the true states of the system and the
governing laws of these states from series of noisy and partial data. In doing
so, this framework bridges classical data assimilation and state-of-the-art
machine learning techniques. We also demonstrate that it generalises
state-of-the-art methods. Importantly, both the inference model and the
governing model embed stochastic components to account for stochastic
variabilities, model errors, and reconstruction uncertainties. Various
experiments on chaotic and stochastic dynamical systems support the relevance
of our scheme w.r.t. state-of-the-art approaches.
- Abstract（参考訳）: データ駆動型動的システムの未知の支配方程式の回復は、最近ますます関心を集めている。
しかしながら、制御方程式の同定は、ノイズと部分的観測を扱う場合、依然として困難である。
本稿では,この課題に対処し,変分深層学習方式について検討する。
提案フレームワークでは,一連のノイズや部分的なデータから,システムの真の状態とそれらの状態の統治法則を再構築する推論モデルを共同で学習する。
このフレームワークは、古典的なデータ同化と最先端の機械学習技術を橋渡しする。
また、最先端の手法を一般化することを示した。
重要なことは、推論モデルと支配モデルの両方に確率的要素が組み込まれ、確率的変動、モデルエラー、不確実性を考慮に入れていることである。
カオス力学系および確率力学系に関する様々な実験は、我々のスキーム w.r.t. state-of-art 手法の妥当性を裏付けている。
関連論文リスト
- Learning System Dynamics without Forgetting [60.08612207170659]
未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。
本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。
生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
論文 参考訳（メタデータ） (2024-06-30T14:55:18Z) - Learning Governing Equations of Unobserved States in Dynamical Systems [0.0]
我々は、部分的に観測された力学系の制御方程式を学習するために、ハイブリッドニューラルネットワークODE構造を用いる。
本手法は, 観測されていない状態の真の支配方程式の学習に有効であることを示す。
論文 参考訳（メタデータ） (2024-04-29T10:28:14Z) - Neural Differential Algebraic Equations [6.100037457394823]
微分代数方程式(DAE)のデータ駆動モデリングに適したニューラル微分代数方程式(NDAE)を提案する。
提案したNDAEs抽象化は、関連するシステム理論データ駆動モデリングタスクに適していることを示す。
論文 参考訳（メタデータ） (2024-03-19T17:43:57Z) - AI-Lorenz: A physics-data-driven framework for black-box and gray-box
identification of chaotic systems with symbolic regression [2.07180164747172]
複雑な動的挙動をモデル化した数学的表現を学習するフレームワークを開発する。
私たちは、システムのダイナミクス、時間の変化率、モデル用語の欠如を学ぶために、小さなニューラルネットワークをトレーニングします。
これにより、動的挙動の将来的な進化を予測することができる。
論文 参考訳（メタデータ） (2023-12-21T18:58:41Z) - Pseudo-Hamiltonian system identification [0.0]
一階常微分方程式としてモデル化できるシステムを考える。
モデルが未知の減衰や外乱の影響を受けないデータに基づいて訓練されたとしても、内部力学の分析用語を学習することができる。
論文 参考訳（メタデータ） (2023-05-09T15:22:05Z) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳（メタデータ） (2022-02-25T20:00:56Z) - Structure-Preserving Learning Using Gaussian Processes and Variational
Integrators [62.31425348954686]
本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。
我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
論文 参考訳（メタデータ） (2021-12-10T11:09:29Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳（メタデータ） (2021-11-02T10:51:42Z) - Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。
予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。
本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文 参考訳（メタデータ） (2021-09-06T04:39:06Z) - Discovering Sparse Interpretable Dynamics from Partial Observations [0.0]
部分的な観測のみを用いてこれらの支配方程式を発見するための機械学習フレームワークを提案する。
本手法がシステム全体の再構築に有効であることを示す。
論文 参考訳（メタデータ） (2021-07-22T18:23:23Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z)
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。