論文の概要: Neural Hybrid Automata: Learning Dynamics with Multiple Modes and Stochastic Transitions

• arxiv url: http://arxiv.org/abs/2106.04165v1
• Date: Tue, 8 Jun 2021 08:04:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-09 15:33:08.744577
• Title: Neural Hybrid Automata: Learning Dynamics with Multiple Modes and Stochastic Transitions
• Title（参考訳）: ニューラルハイブリッドオートマトン:多重モードと確率的遷移を伴う学習ダイナミクス
• Authors: Michael Poli, Stefano Massaroli, Luca Scimeca, Seong Joon Oh, Sanghyuk Chun, Atsushi Yamashita, Hajime Asama, Jinkyoo Park, Animesh Garg
• Abstract要約: 我々は,モード数やモード間遷移のダイナミクスについて事前知識のないSHSダイナミクスを学習するためのレシピであるNeural Hybrid Automata (NHAs)を紹介した。 NHAは、正規化フロー、ニューラル微分方程式、自己超越に基づく体系的推論手法を提供する。 遷移を伴うシステムにおけるモードリカバリやフローラーニング,階層型ロボットコントローラのエンドツーエンド学習など,さまざまなタスクにおけるNHAについて紹介する。
• 参考スコア（独自算出の注目度）: 36.81150424798492
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective control and prediction of dynamical systems often require appropriate handling of continuous-time and discrete, event-triggered processes. Stochastic hybrid systems (SHSs), common across engineering domains, provide a formalism for dynamical systems subject to discrete, possibly stochastic, state jumps and multi-modal continuous-time flows. Despite the versatility and importance of SHSs across applications, a general procedure for the explicit learning of both discrete events and multi-mode continuous dynamics remains an open problem. This work introduces Neural Hybrid Automata (NHAs), a recipe for learning SHS dynamics without a priori knowledge on the number of modes and inter-modal transition dynamics. NHAs provide a systematic inference method based on normalizing flows, neural differential equations and self-supervision. We showcase NHAs on several tasks, including mode recovery and flow learning in systems with stochastic transitions, and end-to-end learning of hierarchical robot controllers.
• Abstract（参考訳）: 動的システムの効果的な制御と予測は、しばしば連続時間および離散的なイベントトリガー処理の適切な処理を必要とする。 工学領域に共通する確率的ハイブリッドシステム(SHSs)は、離散的、確率的、状態ジャンプ、マルチモーダル連続時間フローの対象となる力学系に対して形式主義を提供する。 アプリケーション間でのSHSの汎用性と重要性にもかかわらず、離散事象とマルチモード連続力学の両方の明示的な学習の一般的な手順は未解決の問題である。 この研究は、モードの数やモード間遷移ダイナミクスに関する事前知識のないSHSダイナミクスを学習するためのレシピであるNeural Hybrid Automata (NHAs)を導入している。 NHAは、正規化フロー、ニューラル微分方程式、自己超越に基づく体系的推論手法を提供する。 確率遷移を持つシステムにおけるモード回復とフロー学習、階層型ロボットコントローラのエンドツーエンド学習など、いくつかのタスクでNHAを紹介する。

関連論文リスト

• Learning Controlled Stochastic Differential Equations [61.82896036131116]
  本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。 我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。 当社のメソッドはオープンソースPythonライブラリとして利用可能です。
  論文  参考訳（メタデータ） (2024-11-04T11:09:58Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• Learning Deep Dissipative Dynamics [5.862431328401459]
  分散性は、安定性と入出力安定性を一般化する力学系にとって重要な指標である。 本稿では,ニューラルネットワークで表現される任意のダイナミクスを散逸型プロジェクションに変換する微分可能プロジェクションを提案する。 本手法は, 訓練された力学系の安定性, 入力出力安定性, エネルギー保存を厳密に保証する。
  論文  参考訳（メタデータ） (2024-08-21T09:44:43Z)
• Learning System Dynamics without Forgetting [60.08612207170659]
  未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。 本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。 生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-06-30T14:55:18Z)
• Decomposed Linear Dynamical Systems (dLDS) for learning the latent components of neural dynamics [6.829711787905569]
  本稿では,時系列データの非定常および非線形の複雑なダイナミクスを表現した新しい分解力学系モデルを提案する。 我々のモデルは辞書学習によって訓練され、最近の結果を利用してスパースベクトルを時間とともに追跡する。 連続時間と離散時間の両方の指導例において、我々のモデルは元のシステムによく近似できることを示した。
  論文  参考訳（メタデータ） (2022-06-07T02:25:38Z)
• 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)
• Learning Neural Event Functions for Ordinary Differential Equations [31.474420819149724]
  ニューラルイベント関数を暗黙的に定義した終端基準に拡張する。 離散制御に応用した点過程のシミュレーションに基づくトレーニングを提案する。
  論文  参考訳（メタデータ） (2020-11-08T04:33:54Z)
• Learning Continuous-Time Dynamics by Stochastic Differential Networks [32.63114111531396]
  変動微分ネットワーク(VSDN)という,フレキシブルな連続時間リカレントニューラルネットワークを提案する。 VSDNは神経微分方程式(SDE)による散発時間系列の複雑なダイナミクスを埋め込む VSDNは最先端の継続的ディープラーニングモデルより優れており、散発時系列の予測やタスクにおいて優れた性能を発揮する。
  論文  参考訳（メタデータ） (2020-06-11T01:40:34Z)
• Learning Stable Deep Dynamics Models [91.90131512825504]
  状態空間全体にわたって安定することが保証される力学系を学習するためのアプローチを提案する。 このような学習システムは、単純な力学系をモデル化することができ、複雑な力学を学習するために追加の深層生成モデルと組み合わせることができることを示す。
  論文  参考訳（メタデータ） (2020-01-17T00:04:45Z)

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。