Fugu-MT 論文翻訳(概要): Spatio-Temporal Activation Function To Map Complex Dynamical Systems

論文の概要: Spatio-Temporal Activation Function To Map Complex Dynamical Systems

arxiv url: http://arxiv.org/abs/2009.08931v1
Date: Sun, 6 Sep 2020 23:08:25 GMT
ステータス: 処理完了
システム内更新日: 2022-10-21 07:53:39.182448
Title: Spatio-Temporal Activation Function To Map Complex Dynamical Systems
Title（参考訳）: 複素力学系に対する時空間活性化関数
Authors: Parth Mahendra
Abstract要約: リカレントニューラルネットワークのサブセットであるReservoir Computingは、複雑な力学系をシミュレートするために積極的に使用されている。時間項を含めることで、アクティベーション関数の基本的な性質が変化し、時系列データの複雑なダイナミクスを捉えることができる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Most of the real world is governed by complex and chaotic dynamical systems. All of these dynamical systems pose a challenge in modelling them using neural networks. Currently, reservoir computing, which is a subset of recurrent neural networks, is actively used to simulate complex dynamical systems. In this work, a two dimensional activation function is proposed which includes an additional temporal term to impart dynamic behaviour on its output. The inclusion of a temporal term alters the fundamental nature of an activation function, it provides capability to capture the complex dynamics of time series data without relying on recurrent neural networks.
Abstract（参考訳）: 現実世界の大半は複雑でカオス的な力学系によって支配されている。これらの力学系はすべて、ニューラルネットワークを用いてそれらをモデル化する上で困難である。現在、リカレントニューラルネットワークのサブセットであるリザーバコンピューティングは、複雑な力学系をシミュレートするために積極的に使われている。本研究では,その出力に動的挙動を与えるための時間的項を含む2次元活性化関数を提案する。時間的項の包含は、アクティベーション関数の基本的な性質を変化させ、リカレントニューラルネットワークに依存することなく、時系列データの複雑なダイナミクスをキャプチャする機能を提供する。

関連論文リスト

Neural Symbolic Regression of Complex Network Dynamics [28.356824329954495]
そこで本研究では,物理インスパイアされたニューラルダイナミクス回帰(PI-NDSR)を用いて,力学の記号表現を自動的に学習する手法を提案する。本手法は, 種々のダイナミックスから生成された合成データセットと, 病気の拡散に関する実際のデータセットについて検討する。
論文参考訳（メタデータ） (2024-10-15T02:02:30Z)
Explicit construction of recurrent neural networks effectively approximating discrete dynamical systems [0.0]
我々は、再帰性を持つ力学系に由来する任意の有界離散時系列を考える。我々は、対応する離散力学系を効果的に近似する、リカレントニューラルネットワークの明示的な構築を提供する。
論文参考訳（メタデータ） (2024-09-28T07:59:45Z)
Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
論文参考訳（メタデータ） (2024-09-17T04:48:45Z)
LINOCS: Lookahead Inference of Networked Operators for Continuous Stability [4.508868068781057]
連続安定のためのネットワーク演算子のルックアヘッド駆動推論(LINOCS)を導入する。 LINOCSはノイズの多い時系列データに隠れた動的相互作用を識別するための頑健な学習手法である。我々は、LINOCSの合成時系列データに基づく基底真理力学演算子を復元する能力を実証する。
論文参考訳（メタデータ） (2024-04-28T18:16:58Z)
On the effectiveness of neural priors in modeling dynamical systems [28.69155113611877]
ニューラルネットワークがそのようなシステムを学ぶ際に提供するアーキテクチャの規則化について論じる。動的システムをモデル化する際の複数の問題を解決するために,レイヤ数が少ない単純な座標ネットワークが利用できることを示す。
論文参考訳（メタデータ） (2023-03-10T06:21:24Z)
Decomposed Linear Dynamical Systems (dLDS) for learning the latent components of neural dynamics [6.829711787905569]
本稿では,時系列データの非定常および非線形の複雑なダイナミクスを表現した新しい分解力学系モデルを提案する。我々のモデルは辞書学習によって訓練され、最近の結果を利用してスパースベクトルを時間とともに追跡する。連続時間と離散時間の両方の指導例において、我々のモデルは元のシステムによく近似できることを示した。
論文参考訳（メタデータ） (2022-06-07T02:25:38Z)
Continuous Learning and Adaptation with Membrane Potential and Activation Threshold Homeostasis [91.3755431537592]
本稿では,MPATH(Membrane Potential and Activation Threshold Homeostasis)ニューロンモデルを提案する。このモデルにより、ニューロンは入力が提示されたときに自動的に活性を調節することで動的平衡の形式を維持することができる。実験は、モデルがその入力から適応し、継続的に学習する能力を示す。
論文参考訳（メタデータ） (2021-04-22T04:01:32Z)
Incremental Training of a Recurrent Neural Network Exploiting a Multi-Scale Dynamic Memory [79.42778415729475]
本稿では,マルチスケール学習を対象とする,漸進的に訓練された再帰的アーキテクチャを提案する。隠れた状態を異なるモジュールに分割することで、シンプルなRNNのアーキテクチャを拡張する方法を示す。新しいモジュールがモデルに反復的に追加され、徐々に長い依存関係を学習するトレーニングアルゴリズムについて議論する。
論文参考訳（メタデータ） (2020-06-29T08:35:49Z)
Learn to cycle: Time-consistent feature discovery for action recognition [83.43682368129072]
時間的変動を一般化することは、ビデオにおける効果的な行動認識の前提条件である。 Squeeze Re Temporal Gates (SRTG) を導入する。 SRTPGブロックを使用する場合,GFLOの数は最小限に抑えられ,一貫した改善が見られた。
論文参考訳（メタデータ） (2020-06-15T09:36:28Z)
Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文参考訳（メタデータ） (2020-06-08T09:53:35Z)
Learning Stable Deep Dynamics Models [91.90131512825504]
状態空間全体にわたって安定することが保証される力学系を学習するためのアプローチを提案する。このような学習システムは、単純な力学系をモデル化することができ、複雑な力学を学習するために追加の深層生成モデルと組み合わせることができることを示す。
論文参考訳（メタデータ） (2020-01-17T00:04:45Z)

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。