論文の概要: Learning non-stationary Langevin dynamics from stochastic observations
of latent trajectories
- arxiv url: http://arxiv.org/abs/2012.14944v1
- Date: Tue, 29 Dec 2020 21:22:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-18 22:20:23.784983
- Title: Learning non-stationary Langevin dynamics from stochastic observations
of latent trajectories
- Title（参考訳）: 潜在軌道の確率的観測から非定常ランゲヴィンダイナミクスを学習する
- Authors: Mikhail Genkin, Owen Hughes, and Tatiana A. Engel
- Abstract要約: データからランゲヴィン方程式を推定すると、そのような系の過渡的力学がそれらの函数をいかに引き起こすかが明らかになる。
本稿では,観測過程と非定常潜時力学を明示的にモデル化したランジュバン方程式を推定する非定常枠組みを提案する。
これらの非定常コンポーネントのいずれかを省略すると、不定常データ分布によるダイナミクスに誤った特徴が生じる誤った推論が発生します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many complex systems operating far from the equilibrium exhibit stochastic
dynamics that can be described by a Langevin equation. Inferring Langevin
equations from data can reveal how transient dynamics of such systems give rise
to their function. However, dynamics are often inaccessible directly and can be
only gleaned through a stochastic observation process, which makes the
inference challenging. Here we present a non-parametric framework for inferring
the Langevin equation, which explicitly models the stochastic observation
process and non-stationary latent dynamics. The framework accounts for the
non-equilibrium initial and final states of the observed system and for the
possibility that the system's dynamics define the duration of observations.
Omitting any of these non-stationary components results in incorrect inference,
in which erroneous features arise in the dynamics due to non-stationary data
distribution. We illustrate the framework using models of neural dynamics
underlying decision making in the brain.
- Abstract（参考訳）: 平衡から遠く離れた多くの複雑な系はランゲヴィン方程式によって記述できる確率力学を示す。
データからランゲヴィン方程式を推定すると、そのような系の過渡的力学がそれらの函数をいかに引き起こすかが明らかになる。
しかし、ダイナミクスは直接アクセスできないことが多く、確率的な観察過程を通してのみグリーニングできるため、推論は困難である。
本稿では,確率的観測過程と非定常潜在力学を明示的にモデル化したランジュバン方程式を推定する非パラメトリックな枠組みを提案する。
この枠組みは、観測されたシステムの非平衡の初期状態と最終状態、およびシステムの力学が観測期間を定義する可能性を説明する。
これらの非定常成分のいずれかを省略すると、誤った推測が起こり、非定常データ分布による誤った特徴がダイナミクスに現れる。
脳内の意思決定の基礎となる神経動力学のモデルを用いて、このフレームワークを説明します。
関連論文リスト
- Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文 参考訳（メタデータ） (2024-09-05T18:14:22Z) - Inferring the Langevin Equation with Uncertainty via Bayesian Neural
Networks [4.604003661048267]
本稿では、ベイズニューラルネットワークを用いてランゲヴィン方程式を過度に損傷された状態と過度に損傷された状態の両方で推定する包括的枠組みを提案する。
一つの値ではなく予測の分布を提供することで,予測の不確実性を評価することができる。
ニューロンモデルや顕微鏡エンジンを含む様々なシナリオに対してランゲヴィン方程式を推定する際のフレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2024-02-02T11:47:56Z) - An optimization-based equilibrium measure describes non-equilibrium steady state dynamics: application to edge of chaos [2.5690340428649328]
神経力学を理解することは、機械学習、非線形物理学、神経科学において中心的なトピックである。
力学は非線形であり、特に非勾配、すなわち駆動力はポテンシャルの勾配として書けない。
論文 参考訳（メタデータ） (2024-01-18T14:25:32Z) - Causal Modeling with Stationary Diffusions [89.94899196106223]
定常密度が干渉下でのシステムの挙動をモデル化する微分方程式を学習する。
古典的アプローチよりもよく、変数に対する見当たらない介入を一般化することを示します。
提案手法は,再生カーネルヒルベルト空間における拡散発生器の定常状態を表す新しい理論結果に基づく。
論文 参考訳（メタデータ） (2023-10-26T14:01:17Z) - Reservoir Computing with Error Correction: Long-term Behaviors of
Stochastic Dynamical Systems [5.815325960286111]
本稿では,Reservoir Computingと正規化フローを組み合わせたデータ駆動型フレームワークを提案する。
提案手法の有効性をVan der Pal, El Nino-Southern Oscillation Simple model, Lorenz system などいくつかの実験で検証した。
論文 参考訳（メタデータ） (2023-05-01T05:50:17Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Discrete Lagrangian Neural Networks with Automatic Symmetry Discovery [3.06483729892265]
離散ラグランジアンとその対称性群を運動の離散観測から学習する枠組みを導入する。
学習過程はラグランジアンの形を制限せず、速度や運動量の観測や予測を必要とせず、コスト項も含んでいる。
論文 参考訳（メタデータ） (2022-11-20T00:46:33Z) - Slow semiclassical dynamics of a two-dimensional Hubbard model in
disorder-free potentials [77.34726150561087]
調和およびスピン依存線形ポテンシャルの導入は、fTWAを長期間にわたって十分に検証することを示した。
特に、有限2次元系に着目し、中間線形ポテンシャル強度において、高調波ポテンシャルの追加と傾きのスピン依存が、亜拡散力学をもたらすことを示す。
論文 参考訳（メタデータ） (2022-10-03T16:51:25Z) - 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) - Neural ODE Processes [64.10282200111983]
NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。
我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
論文 参考訳（メタデータ） (2021-03-23T09:32:06Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z)
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。