論文の概要: CKNet: A Convolutional Neural Network Based on Koopman Operator for Modeling Latent Dynamics from Pixels

• arxiv url: http://arxiv.org/abs/2102.10205v1
• Date: Fri, 19 Feb 2021 23:29:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-23 14:35:24.299570
• Title: CKNet: A Convolutional Neural Network Based on Koopman Operator for Modeling Latent Dynamics from Pixels
• Title（参考訳）: CKNet: ピクセルから遅延ダイナミクスをモデル化するKoopman演算子に基づく畳み込みニューラルネットワーク
• Authors: Yongqian Xiao, Xin Xu, QianLi Lin
• Abstract要約: そこで我々は,Koopman演算子(CKNet)に基づく畳み込みニューラルネットワーク(CNN)を提案し,生画素から潜時ダイナミクスを同定する。 実験では、32ディムの特定ダイナミクスが有効な120ステップを予測し、明確な画像を生成することが示されています。
• 参考スコア（独自算出の注目度）: 5.286010070038216
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For systems with only known pixels, it is difficult to identify its dynamics, especially with a linear operator. In this work, we present a convolutional neural network (CNN) based on the Koopman operator (CKNet) to identify the latent dynamics from raw pixels. CKNet learned an encoder and decoder to play the role of the Koopman eigenfunctions and modes, respectively. The Koopman eigenvalues can be approximated by the eigenvalues of the learned system matrix. We present the deterministic and variational approaches to realize the encoder separately. Because CKNet is trained under the constraints of the Koopman theory, the identified dynamics is linear, controllable and physically-interpretable. Besides, the system matrix and control matrix are trained as trainable tensors. To improve the performance, we propose the auxiliary weight term for multi-step linearity and prediction losses. Experiments select two classic forced dynamical systems with continuous action space, and the results show that identified dynamics with 32-dim can predict validly 120 steps and generate clear images.
• Abstract（参考訳）: 既知のピクセルしか持たないシステムでは、そのダイナミクスを特に線形作用素で識別することは困難である。 本研究では,Kopman演算子(CKNet)に基づく畳み込みニューラルネットワーク(CNN)を用いて,生画素から潜時ダイナミクスを同定する。 CKNetはエンコーダとデコーダを学び、クープマン固有関数とモードの役割をそれぞれ担った。 Koopman eigenvaluesは学習されたシステム行列の固有値によって近似することができる。 エンコーダを個別に実現するための決定論的および変動的アプローチを紹介します。 CKNetはクープマン理論の制約下で訓練されるため、特定されたダイナミクスは線形で制御可能で物理的に解釈可能である。 さらに、システムマトリックスと制御マトリックスは、トレーニング可能なテンソルとして訓練される。 性能向上のために,マルチステップ線形性および予測損失に対する補助重み項を提案する。 実験では,連続的な動作空間を持つ古典的強制力学系を2つ選択し,32-dimで同定されたダイナミクスは120ステップを予測でき,鮮明な画像を生成することができることを示した。

関連論文リスト

• Koopman-Assisted Reinforcement Learning [8.812992091278668]
  ベルマン方程式とその連続形式であるハミルトン・ヤコビ・ベルマン方程式(HJB)は、強化学習(RL)と制御理論においてユビキタスである。 本稿では,データ駆動型クープマン演算子と決定過程(MDP)の関連性について検討する。 これらの制約に対処する2つの新しいRLアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-03-04T18:19:48Z)
• Extraction of nonlinearity in neural networks with Koopman operator [0.0]
  ニューラルネットワークの非線形性が不可欠である程度について検討する。 我々は、Koopman演算子、拡張動的モード分解、テンソルトレイン形式を用いる。
  論文  参考訳（メタデータ） (2024-02-18T23:54:35Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• Learning dynamical systems: an example from open quantum system dynamics [0.0]
  我々は、デファスゲートと結合した小さなスピン鎖のダイナミクスについて研究する。 クープマン演算子学習は, 密度行列の進化だけでなく, システムに付随するすべての物理観測可能量についても, 効率的に学習する手法であることを示す。
  論文  参考訳（メタデータ） (2022-11-12T14:36:13Z)
• Data-driven End-to-end Learning of Pole Placement Control for Nonlinear Dynamics via Koopman Invariant Subspaces [37.795752939016225]
  クープマン作用素理論に基づくブラックボックス非線形力学系を制御するためのデータ駆動手法を提案する。 制御力学のクープマン作用素の固有値が目標固有値に近いようにポリシーネットワークを訓練する。 提案手法は,モデルレス強化学習やシステム同定によるモデルベース制御よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-08-16T05:57:28Z)
• Dynamic Inference with Neural Interpreters [72.90231306252007]
  本稿では,モジュールシステムとしての自己アテンションネットワークにおける推論を分解するアーキテクチャであるNeural Interpretersを提案する。 モデルへの入力は、エンドツーエンドの学習方法で一連の関数を通してルーティングされる。 ニューラル・インタープリタは、より少ないパラメータを用いて視覚変換器と同等に動作し、サンプル効率で新しいタスクに転送可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-12T23:22:45Z)
• Optimising for Interpretability: Convolutional Dynamic Alignment Networks [108.83345790813445]
  我々は、畳み込み動的アライメントネットワーク(CoDA Nets)と呼ばれる新しいニューラルネットワークモデルを紹介する。 彼らの中核となるビルディングブロックは動的アライメントユニット(DAU)であり、タスク関連パターンに合わせて動的に計算された重みベクトルで入力を変換するように最適化されている。 CoDAネットは一連の入力依存線形変換を通じて分類予測をモデル化し、出力を個々の入力コントリビューションに線形分解することができる。
  論文  参考訳（メタデータ） (2021-09-27T12:39:46Z)
• Extraction of Discrete Spectra Modes from Video Data Using a Deep Convolutional Koopman Network [0.0]
  クープマン理論の最近の深層学習拡張は、非線形力学系のコンパクトで解釈可能な表現を可能にした。 ディープ・クープマン・ネットワークはコープマン固有関数を学習し、座標変換を捉え、システムダイナミクスを大域的に線形化する。 離散スペクトルを持つ力学系における独立モードの自動同定における深い畳み込みクープマンネットワーク(CKN)の機能を示す。
  論文  参考訳（メタデータ） (2020-10-19T06:26:29Z)
• Applications of Koopman Mode Analysis to Neural Networks [52.77024349608834]
  我々は,ニューラルネットワークのトレーニング過程を,高次元の重み空間に作用する力学系と考える。 アーキテクチャに必要なレイヤ数を決定するために、Koopmanスペクトルをどのように利用できるかを示す。 また、Koopmanモードを使えば、ネットワークを選択的にプーンしてトレーニング手順を高速化できることを示す。
  論文  参考訳（メタデータ） (2020-06-21T11:00:04Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。