論文の概要: Reconstructing shared dynamics with a deep neural network

• arxiv url: http://arxiv.org/abs/2105.02322v2
• Date: Fri, 14 Oct 2022 13:48:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-01 13:07:42.583349
• Title: Reconstructing shared dynamics with a deep neural network
• Title（参考訳）: ディープニューラルネットワークによる共有ダイナミクスの再構築
• Authors: Zsigmond Benk\H{o}, Zolt\'an Somogyv\'ari
• Abstract要約: 本稿では,時系列から隠れた共有ダイナミクスを2モジュールのフィードフォワードニューラルネットワークアーキテクチャにより同定する手法を提案する。 この手法は、実験的な介入が不可能な力学系の隠れた構成要素を明らかにする可能性がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Determining hidden shared patterns behind dynamic phenomena can be a game-changer in multiple areas of research. Here we present the principles and show a method to identify hidden shared dynamics from time series by a two-module, feedforward neural network architecture: the Mapper-Coach network. We reconstruct unobserved, continuous latent variable input, the time series generated by a chaotic logistic map, from the observed values of two simultaneously forced chaotic logistic maps. The network has been trained to predict one of the observed time series based on its own past and conditioned on the other observed time series by error-back propagation. It was shown, that after this prediction have been learned successfully, the activity of the bottleneck neuron, connecting the mapper and the coach module, correlated strongly with the latent shared input variable. The method has the potential to reveal hidden components of dynamical systems, where experimental intervention is not possible.
• Abstract（参考訳）: 動的現象の背後にある隠された共有パターンを決定することは、研究分野におけるゲームチェンジャーとなる。 本稿では,2モジュールのフィードフォワードニューラルネットワークアーキテクチャであるMapper-Coachネットワークを用いて,時系列から隠れ共有ダイナミクスを同定する手法を提案する。 カオスロジスティック写像が生成する時間列である観測されない連続的潜在変数入力を2つの同時強制カオスロジスティック写像の観測値から再構成する。 ネットワークは、観測された時系列の1つを自身の過去に基づいて予測し、他の観測された時系列をエラーバック伝搬により条件付けするように訓練されている。 この予測が成功した後、マッパーとコーチモジュールを繋ぐボトルネックニューロンの活動が潜在共有入力変数と強く相関していることが判明した。 この手法は、実験的な介入が不可能な力学系の隠れた構成要素を明らかにする可能性がある。

関連論文リスト

• Joint trajectory and network inference via reference fitting [0.0]
  本稿では,動的かつ摂動的な単一細胞データを利用して,細胞軌道と電力ネットワークの推論を共同で学習する手法を提案する。 我々のアプローチは、動的に最小エントロピーを推定することで動機付けられ、タイムスタンプ付き単一セルスナップショットから有向および符号付きネットワークを推定できる。
  論文  参考訳（メタデータ） (2024-09-10T21:49:57Z)
• 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)
• Deep learning delay coordinate dynamics for chaotic attractors from partial observable data [0.0]
  深層ニューラルネットワークを用いて離散時間マップと部分状態の連続時間フローを学習する。 我々は, 3次元多様体上のスカラー観測から, ロレンツ系を経由したカオス挙動を予測するために, 深部ANNの能力を示す。
  論文  参考訳（メタデータ） (2022-11-20T19:25:02Z)
• 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)
• Combining machine learning and data assimilation to forecast dynamical systems from noisy partial observations [0.76146285961466]
  本稿では,動的システムの伝搬器マップを部分的および雑音的な観測から学習するための教師付き学習手法を提案する。 RAFDAと呼ばれるランダムな特徴マップとデータ同化の組み合わせは、バッチデータを用いて動的に学習する標準的なランダムな特徴マップよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-08T03:38:36Z)
• A Predictive Coding Account for Chaotic Itinerancy [68.8204255655161]
  予測符号化を実装したリカレントニューラルネットワークが,入力雑音の存在下でカオス的反復性に類似したニューラルトラジェクトリを生成する方法を示す。 本モデルを用いて,無作為かつ非依存なトラジェクタスイッチングトラジェクトリを生成する2つのシナリオを提案する。
  論文  参考訳（メタデータ） (2021-06-16T16:48:14Z)
• 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)
• On a Bernoulli Autoregression Framework for Link Discovery and Prediction [1.9290392443571387]
  本稿では,自己回帰過程のベルヌーイ一般化に基づく二項列の動的予測フレームワークを提案する。 本稿では,さらに多くの補助的ネットワークを介し,付加的な情報を利用する新たな問題を提案する。 既存の作業とは対照的に、勾配に基づく推定アプローチは非常に効率的で、数百万のノードを持つネットワークにスケールすることができる。
  論文  参考訳（メタデータ） (2020-07-23T05:58:22Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)
• 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。