論文の概要: Detecting chaos in lineage-trees: A deep learning approach
- arxiv url: http://arxiv.org/abs/2106.08956v1
- Date: Tue, 8 Jun 2021 11:11:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-20 18:14:23.671662
- Title: Detecting chaos in lineage-trees: A deep learning approach
- Title（参考訳）: 系統木におけるカオス検出:ディープラーニングアプローチ
- Authors: Hagai Rappeport, Irit Levin Reisman, Naftali Tishby, Nathalie Q.
Balaban
- Abstract要約: 本稿では,合成軌道上でのディープラーニングモデルの訓練に基づいて,データから最大のリアプノフ指数を推定する新しい手法について述べる。
本手法は, 樹状データ, 生物環境におけるユビキタストポロジ, 特に細胞や生物の系統の動態を解析できるという点で特有である。
- 参考スコア（独自算出の注目度）: 1.536989504296526
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many complex phenomena, from weather systems to heartbeat rhythm patterns,
are effectively modeled as low-dimensional dynamical systems. Such systems may
behave chaotically under certain conditions, and so the ability to detect chaos
based on empirical measurement is an important step in characterizing and
predicting these processes. Classifying a system as chaotic usually requires
estimating its largest Lyapunov exponent, which quantifies the average rate of
convergence or divergence of initially close trajectories in state space, and
for which a positive value is generally accepted as an operational definition
of chaos. Estimating the largest Lyapunov exponent from observations of a
process is especially challenging in systems affected by dynamical noise, which
is the case for many models of real-world processes, in particular models of
biological systems. We describe a novel method for estimating the largest
Lyapunov exponent from data, based on training Deep Learning models on
synthetically generated trajectories, and demonstrate that this method yields
accurate and noise-robust predictions given relatively short inputs and across
a range of different dynamical systems. Our method is unique in that it can
analyze tree-shaped data, a ubiquitous topology in biological settings, and
specifically in dynamics over lineages of cells or organisms. We also
characterize the types of input information extracted by our models for their
predictions, allowing for a deeper understanding into the different ways by
which chaos can be analyzed in different topologies.
- Abstract（参考訳）: 気象システムから心拍リズムパターンに至るまで、多くの複雑な現象は、効果的に低次元力学系としてモデル化される。
このようなシステムは特定の条件下でカオス的に振る舞うため、経験的測定に基づいてカオスを検出する能力は、これらのプロセスを特徴づけ、予測するための重要なステップである。
システムをカオスとして分類するには、通常最大のリャプノフ指数を推定し、状態空間における初期閉軌道の収束率や分岐率を定量化し、一般に正の値がカオスの操作的定義として受け入れられる。
プロセスの観察から最大のリアプノフ指数を推定することは、動的ノイズの影響を受けるシステムにおいて特に困難であり、実世界のプロセス、特に生物学的システムのモデルの多くの場合である。
本稿では,合成生成した軌道上でのディープラーニングモデルの学習に基づいて,データから最大のリアプノフ指数を推定する新しい手法について述べる。
本手法は,樹状データ,生物環境におけるユビキタストポロジー,特に細胞や生物の系統のダイナミクスを解析できるという点で特異である。
また,モデルによって抽出された入力情報のタイプを予測のために特徴付けし,カオスを異なるトポロジで解析する方法の理解を深めることができた。
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) - Inferring Kernel $ε$-Machines: Discovering Structure in Complex Systems [49.1574468325115]
本稿では,カーネル因果状態推定を縮小次元空間における座標の集合として符号化する因果拡散成分を提案する。
それぞれのコンポーネントがデータから予測機能を抽出し,そのアプリケーションを4つの例で示す。
論文 参考訳（メタデータ） (2024-10-01T21:14:06Z) - Neural Incremental Data Assimilation [8.817223931520381]
ニューラルネットワークによってパラメータ化された粗いガウス分布の列として物理系をモデル化する深層学習手法を提案する。
これにより、再構築エラーを最小限に抑えるためにエンドツーエンドで訓練された同化演算子を定義することができる。
本稿では,疎度観測によるカオス力学系へのアプローチについて述べるとともに,従来の変分データ同化法と比較する。
論文 参考訳（メタデータ） (2024-06-21T11:42:55Z) - Modeling Randomly Observed Spatiotemporal Dynamical Systems [7.381752536547389]
現在利用可能なニューラルネットワークベースのモデリングアプローチは、時間と空間でランダムに収集されたデータに直面したときに不足する。
そこで我々は,このようなランダムなサンプルデータを効果的に処理する新しい手法を開発した。
我々のモデルは、システムの力学と将来の観測のタイミングと位置の両方を予測するために、償却変分推論、ニューラルディファレンシャル方程式、ニューラルポイントプロセス、暗黙のニューラル表現といった技術を統合する。
論文 参考訳（メタデータ） (2024-06-01T09:03:32Z) - eXponential FAmily Dynamical Systems (XFADS): Large-scale nonlinear Gaussian state-space modeling [9.52474299688276]
非線形状態空間グラフィカルモデルのための低ランク構造化変分オートエンコーダフレームワークを提案する。
我々のアプローチは、より予測的な生成モデルを学ぶ能力を一貫して示している。
論文 参考訳（メタデータ） (2024-03-03T02:19:49Z) - Score-based Data Assimilation [7.215767098253208]
軌道推定のためのスコアベースのデータ同化を導入する。
我々は、任意の長さの軌道のスコアを、短いセグメントにまたがって一連のスコアに分解できるというキーインサイトに基づいて、状態軌道のスコアに基づく生成モデルを学ぶ。
論文 参考訳（メタデータ） (2023-06-18T14:22:03Z) - 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) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - Learning Continuous System Dynamics from Irregularly-Sampled Partial
Observations [33.63818978256567]
グラフ構造を持つ多エージェント動的システムをモデル化するための潜在常微分方程式生成モデルLG-ODEを提案する。
高次元軌跡の埋め込みと連続潜伏系力学を同時に学習することができる。
我々のモデルは、教師なしの方法で初期状態を推論できるグラフニューラルネットワークによってパラメータ化された新しいエンコーダを採用している。
論文 参考訳（メタデータ） (2020-11-08T01:02:22Z) - 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) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳（メタデータ） (2020-06-11T09:58:01Z)
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。