論文の概要: Inferring Global Dynamics Using a Learning Machine
- arxiv url: http://arxiv.org/abs/2009.13032v1
- Date: Mon, 28 Sep 2020 02:54:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 22:43:16.073007
- Title: Inferring Global Dynamics Using a Learning Machine
- Title（参考訳）: 学習機械を用いたグローバルダイナミクスの推論
- Authors: Hong Zhao
- Abstract要約: 学習機械を用いてある程度の目標を達成することができることを示す。
単調にコスト関数を減少させる適切なトレーニング戦略に従って、異なるトレーニング段階の学習機は異なるパラメータセットでシステムを模倣することができる。
- 参考スコア（独自算出の注目度）: 5.07635313657742
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Given a segment of time series of a system at a particular set of parameter
values, can one infers the global behavior of the system in its parameter
space? Here we show that by using a learning machine we can achieve such a goal
to a certain extent. It is found that following an appropriate training
strategy that monotonously decreases the cost function, the learning machine in
different training stage can mimic the system at different parameter set.
Consequently, the global dynamical properties of the system is subsequently
revealed, usually in the simple-to-complex order. The underlying mechanism is
attributed to the training strategy, which causes the learning machine to
collapse to a qualitatively equivalent system of the system behind the time
series. Thus, the learning machine opens up a novel way to probe the global
dynamical properties of a black-box system without artificially establish the
equations of motion. The given illustrating examples include a representative
model of low-dimensional nonlinear dynamical systems and a spatiotemporal model
of reaction-diffusion systems.
- Abstract（参考訳）: パラメータ値の特定のセットにおけるシステムの時系列のセグメントが与えられたら、そのパラメータ空間におけるシステムのグローバルな振る舞いを推測できるだろうか?
ここでは,学習機械を用いることで,ある程度の目標を達成できることを示す。
単調にコスト関数を減少させる適切なトレーニング戦略に従って、異なるトレーニング段階の学習機は異なるパラメータセットでシステムを模倣することができる。
その結果、システムの大域的な力学特性は、通常単純から複雑な順序で明かされる。
基本的なメカニズムはトレーニング戦略によるもので、学習機を時系列の背後にあるシステムの定性的に等価なシステムへと崩壊させる。
このように、学習機械は、運動方程式を人工的に確立することなく、ブラックボックスシステムの大域的な力学特性を調べる新しい方法を開く。
例えば、低次元非線形力学系の代表モデルと反応拡散系の時空間モデルがある。
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) - A Mathematical Model of the Hidden Feedback Loop Effect in Machine Learning Systems [44.99833362998488]
意図しない隠れフィードバックループに起因するいくつかの現象を共同で記述するために,繰り返し学習プロセスを導入する。
このような繰り返し学習設定の特徴は、環境の状態が時間とともに学習者自身に因果的に依存することである。
本稿では,繰り返し学習過程の力学系モデルを提案し,正および負のフィードバックループモードに対する確率分布の制限セットを証明した。
論文 参考訳（メタデータ） (2024-05-04T17:57:24Z) - 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) - Learning Latent Dynamics via Invariant Decomposition and
(Spatio-)Temporal Transformers [0.6767885381740952]
本研究では,高次元経験データから力学系を学習する手法を提案する。
我々は、システムの複数の異なるインスタンスからデータが利用できる設定に焦点を当てる。
我々は、単純な理論的分析と、合成および実世界のデータセットに関する広範な実験を通して行動を研究する。
論文 参考訳（メタデータ） (2023-06-21T07:52:07Z) - 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) - 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) - 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) - Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。
そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。
本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文 参考訳（メタデータ） (2020-06-18T04:54:11Z) - 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。
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。