論文の概要: Learning to predict synchronization of coupled oscillators on
heterogeneous graphs
- arxiv url: http://arxiv.org/abs/2012.14048v1
- Date: Mon, 28 Dec 2020 00:56:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-24 18:43:43.484381
- Title: Learning to predict synchronization of coupled oscillators on
heterogeneous graphs
- Title(参考訳): 不均一グラフ上の結合振動子の同期予測学習
- Authors: Hardeep Bassi, Richard Yim, Rohith Kodukula, Joshua Vendrow, Cherlin
Zhu, Hanbaek Lyu
- Abstract要約: バイナリ分類アルゴリズムは,未知のシステムの将来を驚くほどの精度で予測できることを示した。
また,複数のランダムサブグラフから観測されるダイナミクスのトレーニングにより,提案手法を大規模グラフにスケールアップする「センスブル予測」アルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Suppose we are given a system of coupled oscillators on an arbitrary graph
along with the trajectory of the system during some period. Can we predict
whether the system will eventually synchronize? This is an important but
analytically intractable question especially when the structure of the
underlying graph is highly varied. In this work, we take an entirely different
approach that we call "learning to predict synchronization" (L2PSync), by
viewing it as a classification problem for sets of graphs paired with initial
dynamics into two classes: `synchronizing' or `non-synchronizing'. Our
conclusion is that, once trained on large enough datasets of synchronizing and
non-synchronizing dynamics on heterogeneous sets of graphs, a number of binary
classification algorithms can successfully predict the future of an unknown
system with surprising accuracy. We also propose an "ensemble prediction"
algorithm that scales up our method to large graphs by training on dynamics
observed from multiple random subgraphs. We find that in many instances, the
first few iterations of the dynamics are far more important than the static
features of the graphs. We demonstrate our method on three models of continuous
and discrete coupled oscillators -- The Kuramoto model, the Firefly Cellular
Automata, and the Greenberg-Hastings model.
- Abstract(参考訳): 任意のグラフ上の結合発振器の系が、ある期間のシステムの軌道と共に与えられると仮定する。
システムが最終的に同期するかどうか予測できますか?
これは、特に基礎となるグラフの構造が非常に異なる場合に、重要なが分析的に難解な問題である。
本研究では,初期ダイナミクスと組んだグラフ群を「同期化」または「非同期化」という2つのクラスに分類する問題として,「同期化予測のための学習」(l2psync)と呼ぶ,まったく異なるアプローチを採用する。
我々の結論は、不均一なグラフ集合上での同期と非同期のダイナミクスの十分なデータセットで訓練された場合、多くのバイナリ分類アルゴリズムが驚くべき精度で未知のシステムの将来を予測できるということである。
また,複数のランダムサブグラフから観測されるダイナミクスのトレーニングにより,提案手法を大規模グラフにスケールアップする「センスブル予測」アルゴリズムを提案する。
多くの場合、ダイナミクスの最初の数回のイテレーションは、グラフの静的な特徴よりもはるかに重要であることが分かりました。
連続・離散結合発振器の3つのモデル - 倉本モデル, ホタルセルオートマトン, グリーンバーグ・ハスティングスモデル - について本手法を実証する。
関連論文リスト
- Multi-Scale Subgraph Contrastive Learning [9.972544118719572]
細粒度セマンティック情報を特徴付けるマルチスケールサブグラフコントラスト学習アーキテクチャを提案する。
具体的には、サブグラフサンプリングに基づいて、異なるスケールでグローバルおよびローカルなビューを生成し、それらのセマンティックアソシエーションに基づいて複数のコントラスト関係を構築する。
論文 参考訳(メタデータ) (2024-03-05T07:17:18Z) - A latent linear model for nonlinear coupled oscillators on graphs [1.631115063641726]
結合振動子の非線形挙動は、ある潜在力学空間において効果的に線形化することができる。
教師付き行列因数分解に基づくアルゴリズムを提案し、そのような潜在動的フィルタを学習する。
本手法は,ベースラインとブラックボックス分類アルゴリズムに対して同期予測タスクを競合的に行う。
論文 参考訳(メタデータ) (2023-11-25T03:04:17Z) - Efficient Learning of Discrete-Continuous Computation Graphs [15.26733033527393]
離散連続計算を構築するための一般的なアプローチは、ソフトマックストリックを使用して離散確率分布をニューラルネットワークに一般化することである。
これらのモデルのパラメータを最適化することは、主に小さな勾配と局所的なミニマのために困難であることを示す。
従来のソフトマックスのトリックでは訓練できない複雑な離散連続モデルを訓練できることが示される。
論文 参考訳(メタデータ) (2023-07-26T13:47:52Z) - Inferring dynamic regulatory interaction graphs from time series data
with perturbations [14.935318448625718]
本稿では,複雑なシステムにおける時間変化の相互作用グラフを推定するためのRegulatory Temporal Interaction Network Inference (RiTINI)を提案する。
RiTINIは空間・時間グラフアテンションとグラフニューラル常微分方程式(ODE)を組み合わせた新しい組み合わせを用いる
我々は,様々なシミュレーションおよび実世界のデータセット上でのRiTINIの性能を評価する。
論文 参考訳(メタデータ) (2023-06-13T14:25:26Z) - Predicting the State of Synchronization of Financial Time Series using
Cross Recurrence Plots [75.20174445166997]
本研究では,2つの金融時系列の動的同期の将来の状態を予測する新しい手法を提案する。
我々は,同期状態の予測を方法論的に扱うためのディープラーニングフレームワークを採用する。
2つの時系列の同期状態を予測するタスクは、一般的には難しいが、ある種の在庫は、非常に良好な性能で達成できる。
論文 参考訳(メタデータ) (2022-10-26T10:22:28Z) - Learning the Evolutionary and Multi-scale Graph Structure for
Multivariate Time Series Forecasting [50.901984244738806]
時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。
特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。
最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
論文 参考訳(メタデータ) (2022-06-28T08:11:12Z) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳(メタデータ) (2022-02-17T02:17:31Z) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳(メタデータ) (2021-05-17T15:33:25Z) - Continuous-in-Depth Neural Networks [107.47887213490134]
まず最初に、このリッチな意味では、ResNetsは意味のある動的でないことを示します。
次に、ニューラルネットワークモデルが連続力学系を表現することを実証する。
ResNetアーキテクチャの詳細な一般化としてContinuousNetを紹介します。
論文 参考訳(メタデータ) (2020-08-05T22:54:09Z) - Auto-decoding Graphs [91.3755431537592]
生成モデルは、潜在コードからグラフを合成することを学ぶ自動デコーダである。
グラフは、おそらく接続パターンを特定するためにトレーニングされた自己アテンションモジュールを使用して合成される。
論文 参考訳(メタデータ) (2020-06-04T14:23:01Z)
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。