論文の概要: Learning Continuous System Dynamics from Irregularly-Sampled Partial
Observations
- arxiv url: http://arxiv.org/abs/2011.03880v1
- Date: Sun, 8 Nov 2020 01:02:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 08:11:02.959356
- Title: Learning Continuous System Dynamics from Irregularly-Sampled Partial
Observations
- Title(参考訳): 不規則サンプル部分観測から連続系のダイナミクスを学ぶ
- Authors: Zijie Huang, Yizhou Sun, Wei Wang
- Abstract要約: グラフ構造を持つ多エージェント動的システムをモデル化するための潜在常微分方程式生成モデルLG-ODEを提案する。
高次元軌跡の埋め込みと連続潜伏系力学を同時に学習することができる。
我々のモデルは、教師なしの方法で初期状態を推論できるグラフニューラルネットワークによってパラメータ化された新しいエンコーダを採用している。
- 参考スコア(独自算出の注目度): 33.63818978256567
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many real-world systems, such as moving planets, can be considered as
multi-agent dynamic systems, where objects interact with each other and
co-evolve along with the time. Such dynamics is usually difficult to capture,
and understanding and predicting the dynamics based on observed trajectories of
objects become a critical research problem in many domains. Most existing
algorithms, however, assume the observations are regularly sampled and all the
objects can be fully observed at each sampling time, which is impractical for
many applications. In this paper, we propose to learn system dynamics from
irregularly-sampled partial observations with underlying graph structure for
the first time. To tackle the above challenge, we present LG-ODE, a latent
ordinary differential equation generative model for modeling multi-agent
dynamic system with known graph structure. It can simultaneously learn the
embedding of high dimensional trajectories and infer continuous latent system
dynamics. Our model employs a novel encoder parameterized by a graph neural
network that can infer initial states in an unsupervised way from
irregularly-sampled partial observations of structural objects and utilizes
neuralODE to infer arbitrarily complex continuous-time latent dynamics.
Experiments on motion capture, spring system, and charged particle datasets
demonstrate the effectiveness of our approach.
- Abstract(参考訳): 運動する惑星のような多くの現実世界の系は、物体が互いに相互作用し、時間と共に共進化するマルチエージェント・ダイナミックシステムと見なすことができる。
このようなダイナミクスをキャプチャするのは通常困難であり、観察された対象の軌跡に基づいたダイナミクスの理解と予測は、多くの領域において重要な研究課題となる。
しかし、既存のアルゴリズムのほとんどは、観測が定期的にサンプリングされ、全てのオブジェクトがサンプリング時間毎に完全に観察可能であると仮定している。
本稿では,基礎となるグラフ構造を持つ不規則サンプリング部分観測からシステム力学を初めて学習することを提案する。
上記の課題に対処するため、LG-ODEは、既知のグラフ構造を持つマルチエージェント動的システムをモデル化するための潜在常微分方程式生成モデルである。
高次元軌道の埋め込みと連続潜伏系力学を同時に学習することができる。
本モデルでは,不規則にサンプリングされた構造体の部分的な観察から初期状態を推定できるグラフニューラルネットワークによりパラメータ化された新しいエンコーダを用いて,任意の複雑な連続時間潜時ダイナミクスを推論する。
運動キャプチャ,バネシステム,荷電粒子データセットの実験は,我々のアプローチの有効性を実証している。
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) - Anamnesic Neural Differential Equations with Orthogonal Polynomial
Projections [6.345523830122166]
本稿では,長期記憶を強制し,基礎となる力学系の大域的表現を保存する定式化であるPolyODEを提案する。
提案手法は理論的保証に支えられ,過去と将来のデータの再構築において,過去の成果よりも優れていたことを実証する。
論文 参考訳(メタデータ) (2023-03-03T10:49:09Z) - 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) - Learning Fine Scale Dynamics from Coarse Observations via Inner
Recurrence [0.0]
最近の研究は、ディープニューラルネットワーク(DNN)による未知のシステムの進化に関するデータ駆動学習に焦点を当てている。
本稿では,このような粗い観測データから微細な力学を学習するための計算手法を提案する。
論文 参考訳(メタデータ) (2022-06-03T20:28:52Z) - 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) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳(メタデータ) (2021-12-15T20:09:20Z) - 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) - Learning Dynamical Systems from Noisy Sensor Measurements using Multiple
Shooting [11.771843031752269]
本稿では,間接的に観測された動的システムの潜在表現を学習するための汎用的かつスケーラブルな手法を提案する。
生画像から直接観察されたシステム上での最先端の性能を実現する。
論文 参考訳(メタデータ) (2021-06-22T12:30:18Z) - Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。
本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-05-06T08:48:02Z)
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。