Fugu-MT 論文翻訳(概要): Discovering dependencies in complex physical systems using Neural Networks

論文の概要: Discovering dependencies in complex physical systems using Neural Networks

arxiv url: http://arxiv.org/abs/2101.12583v1
Date: Wed, 27 Jan 2021 18:59:19 GMT
ステータス: 処理完了
システム内更新日: 2021-03-13 21:03:33.381285
Title: Discovering dependencies in complex physical systems using Neural Networks
Title（参考訳）: ニューラルネットワークを用いた複雑な物理システムの依存関係の発見
Authors: Sachin Kasture
Abstract要約: 非線形関係を発見するための汎用フレームワークとして,相互情報とディープニューラルネットワークに基づく手法を提案する。本手法の実際の多変数非線形力学系への応用を実証する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In todays age of data, discovering relationships between different variables is an interesting and a challenging problem. This problem becomes even more critical with regards to complex dynamical systems like weather forecasting and econometric models, which can show highly non-linear behavior. A method based on mutual information and deep neural networks is proposed as a versatile framework for discovering non-linear relationships ranging from functional dependencies to causality. We demonstrate the application of this method to actual multivariable non-linear dynamical systems. We also show that this method can find relationships even for datasets with small number of datapoints, as is often the case with empirical data.
Abstract（参考訳）: 今日のデータの時代では、異なる変数間の関係を発見することは興味深いと難しい問題です。この問題は、高度に非線形な挙動を示すことができる天気予報やエコノメトリックモデルなどの複雑な動的システムに関して、さらに重要になります。関数的依存性から因果関係までの非線形関係を発見するための汎用フレームワークとして,相互情報とディープニューラルネットワークに基づく手法を提案する。本手法の実際の多変数非線形力学系への応用を実証する。また,この手法は,経験的データの場合と同様に,データポイントの少ないデータセットでも関係性を見出すことができることを示す。

関連論文リスト

Online Multi-modal Root Cause Analysis [61.94987309148539]
ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。 OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
論文参考訳（メタデータ） (2024-10-13T21:47:36Z)
A Causality-Based Learning Approach for Discovering the Underlying Dynamics of Complex Systems from Partial Observations with Stochastic Parameterization [1.2882319878552302]
本稿では,部分的な観測を伴う複雑な乱流系の反復学習アルゴリズムを提案する。モデル構造を識別し、観測されていない変数を復元し、パラメータを推定する。数値実験により、新しいアルゴリズムはモデル構造を同定し、多くの複雑な非線形系に対して適切なパラメータ化を提供することに成功した。
論文参考訳（メタデータ） (2022-08-19T00:35:03Z)
Bi-fidelity Modeling of Uncertain and Partially Unknown Systems using DeepONets [0.0]
本稿では,複雑な物理系に対する双方向モデリング手法を提案する。我々は、小さなトレーニングデータセットが存在する場合、真のシステムの応答と低忠実度応答の相違をモデル化する。パラメトリック不確実性を持ち、部分的には未知なモデルシステムにアプローチを適用する。
論文参考訳（メタデータ） (2022-04-03T05:30:57Z)
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)
Discovering Latent Representations of Relations for Interacting Systems [2.2844557930775484]
本稿では,関係の数が不明であるか,多種類の関係が存在する場合でも柔軟に適用可能なDiScovering Latent Relation (DSLR)モデルを提案する。 DSLRモデルの柔軟性は、潜在空間におけるエンティティ間の関係を表すエンコーダの設計概念から来ています。実験の結果,提案手法は未知の複素数を持つ動的グラフを解析するのに適していることがわかった。
論文参考訳（メタデータ） (2021-11-10T03:32:09Z)
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)
Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文参考訳（メタデータ） (2021-09-06T13:10:37Z)
Leveraging Pre-Images to Discover Nonlinear Relationships in Multivariate Environments [0.0]
因果発見は、人工知能を用いた科学的発見において重要な機能を提供する。多くの実世界の時間観測が互いに非線形に関連していることが判明した。本手法は,観測が時間によって制限され,非線形に関連している場合に,最先端の因果発見法より優れていることを示す。
論文参考訳（メタデータ） (2021-06-01T22:42:51Z)
Neural Relational Inference with Efficient Message Passing Mechanisms [10.329082213561785]
本稿では,これらの問題に対処するための構造的事前知識を持つグラフニューラルネットワークに,効率的なメッセージパッシング機構を導入する。すべての関係の共存を捕捉する関係相互作用機構を提案し、エラーの蓄積を緩和するために履歴情報を用いてアテンポラルメッセージパッシング機構を提案する。
論文参考訳（メタデータ） (2021-01-23T11:27:31Z)
Discovering Nonlinear Relations with Minimum Predictive Information Regularization [67.7764810514585]
本稿では,時系列から方向関係を推定する最小限の情報正規化手法を提案する。本手法は, 合成データセットの非線形関係を学習するための他の手法よりも優れている。
論文参考訳（メタデータ） (2020-01-07T04:28:00Z)

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。