論文の概要: On the coercivity condition in the learning of interacting particle
systems
- arxiv url: http://arxiv.org/abs/2011.10480v2
- Date: Thu, 21 Oct 2021 05:51:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 05:23:09.259968
- Title: On the coercivity condition in the learning of interacting particle
systems
- Title(参考訳): 相互作用粒子系の学習における保磁力条件について
- Authors: Zhongyang Li and Fei Lu
- Abstract要約: 保磁力条件は、学習中に生じる積分核の厳密な正の定性と等価である。
系がエルゴードであるような相互作用関数のクラスに対して、積分核は厳密な正定値であり、従って保磁条件は真であることを示す。
- 参考スコア(独自算出の注目度): 7.089219223012485
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the learning of systems of interacting particles or agents, coercivity
condition ensures identifiability of the interaction functions, providing the
foundation of learning by nonparametric regression. The coercivity condition is
equivalent to the strictly positive definiteness of an integral kernel arising
in the learning. We show that for a class of interaction functions such that
the system is ergodic, the integral kernel is strictly positive definite, and
hence the coercivity condition holds true.
- Abstract(参考訳): 相互作用する粒子やエージェントの系の学習において、強制条件は相互作用関数の識別性を保証し、非パラメトリック回帰による学習の基礎を提供する。
保磁力条件は、学習中に生じる積分核の厳密な正の定性と等価である。
系がエルゴードであるような相互作用関数のクラスに対して、積分核は厳密な正定値であり、従って保磁条件は真であることを示す。
関連論文リスト
- On the continuity and smoothness of the value function in reinforcement learning and optimal control [1.534667887016089]
基底系上の比較的弱い仮定の下では、値関数は常に H より古い連続であることが示される。
また, 微分不可能な値関数は, わずかに「乱れ」することで, 微分可能となることを示す。
論文 参考訳(メタデータ) (2024-03-21T14:39:28Z) - Learning Collective Behaviors from Observation [13.278752237440022]
本稿では,力学系の構造的同定に使用される学習手法を総合的に検討する。
提案手法は,理論収束を保証するだけでなく,高次元観測データを扱う際の計算効率も保証する。
論文 参考訳(メタデータ) (2023-11-01T22:02:08Z) - Denoising and Extension of Response Functions in the Time Domain [48.52478746418526]
量子系の応答関数は、外部摂動に対する系の応答を記述する。
平衡系と定常状態系では、周波数領域の正のスペクトル関数に対応する。
論文 参考訳(メタデータ) (2023-09-05T20:26:03Z) - Entanglement statistics of randomly interacting spins [62.997667081978825]
絡み合いは、量子ビット間の相互作用の基盤となる位相に依存する。
ランダムな相互作用を持つ2と3の量子ビットからなる系の基底状態における絡みについて検討する。
論文 参考訳(メタデータ) (2023-07-18T23:58:32Z) - Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。
理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。
本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
論文 参考訳(メタデータ) (2022-10-12T06:46:38Z) - Learning Interaction Variables and Kernels from Observations of
Agent-Based Systems [14.240266845551488]
本稿では,エージェントの軌道に沿った状態や速度の観測を前提として,相互作用カーネルが依存する変数と相互作用カーネル自体を両立させる学習手法を提案する。
これにより、高次元観測データから次元性の呪いを避ける効果的な次元削減が得られる。
我々は,本手法の学習能力を,様々な一階対話システムに示す。
論文 参考訳(メタデータ) (2022-08-04T16:31:01Z) - 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) - Data-driven discovery of interacting particle systems using Gaussian
processes [3.0938904602244346]
本研究では,2次相互作用粒子系における距離に基づく相互作用則の発見について検討する。
本稿では,潜在相互作用カーネル関数をガウス過程としてモデル化する学習手法を提案する。
異なる集団行動を示すシステムにおける数値的な結果から,ノイズの少ない軌道データから,我々のアプローチを効果的に学習することを示す。
論文 参考訳(メタデータ) (2021-06-04T22:00:53Z) - Learning Theory for Inferring Interaction Kernels in Second-Order
Interacting Agent Systems [17.623937769189364]
推定器の強い一貫性と最適非パラメトリック min-max 収束率を確立する完全学習理論を開発する。
推定器を構築するための数値アルゴリズムは並列化可能であり、高次元問題に対してよく機能し、複雑な力学系上で実証される。
論文 参考訳(メタデータ) (2020-10-08T02:07:53Z) - Can Temporal-Difference and Q-Learning Learn Representation? A Mean-Field Theory [110.99247009159726]
時間差とQ-ラーニングは、ニューラルネットワークのような表現力のある非線形関数近似器によって強化される深層強化学習において重要な役割を担っている。
特に時間差学習は、関数近似器が特徴表現において線形であるときに収束する。
論文 参考訳(メタデータ) (2020-06-08T17:25:22Z) - On dissipative symplectic integration with applications to
gradient-based optimization [77.34726150561087]
本稿では,離散化を体系的に実現する幾何学的枠組みを提案する。
我々は、シンプレクティックな非保守的、特に散逸的なハミルトン系への一般化が、制御された誤差まで収束率を維持することができることを示す。
論文 参考訳(メタデータ) (2020-04-15T00:36:49Z)
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。