論文の概要: Objective discovery of dominant dynamical processes with intelligible
machine learning
- arxiv url: http://arxiv.org/abs/2106.12963v1
- Date: Mon, 21 Jun 2021 20:57:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-25 14:47:36.450381
- Title: Objective discovery of dominant dynamical processes with intelligible
machine learning
- Title(参考訳): 知能機械学習による支配的動的過程の客観的発見
- Authors: Bryan E. Kaiser, Juan A. Saenz, Maike Sonnewald, and Daniel Livescu
- Abstract要約: 本稿では,動的状態の同定を最適化問題として定式化する形式的定義を提案する。
本稿では,事前知識やアドホックな定義の必要性を排除した教師なし学習フレームワークを提案する。
我々の手法は、動的システム内でセレンディピティーな発見を可能にする、偏りのないデータ探索への一歩である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The advent of big data has vast potential for discovery in natural phenomena
ranging from climate science to medicine, but overwhelming complexity stymies
insight. Existing theory is often not able to succinctly describe salient
phenomena, and progress has largely relied on ad hoc definitions of dynamical
regimes to guide and focus exploration. We present a formal definition in which
the identification of dynamical regimes is formulated as an optimization
problem, and we propose an intelligible objective function. Furthermore, we
propose an unsupervised learning framework which eliminates the need for a
priori knowledge and ad hoc definitions; instead, the user need only choose
appropriate clustering and dimensionality reduction algorithms, and this choice
can be guided using our proposed objective function. We illustrate its
applicability with example problems drawn from ocean dynamics, tumor
angiogenesis, and turbulent boundary layers. Our method is a step towards
unbiased data exploration that allows serendipitous discovery within dynamical
systems, with the potential to propel the physical sciences forward.
- Abstract(参考訳): ビッグデータの出現は、気候科学から医学まで、自然現象の発見に大きな可能性を秘めています。
既存の理論は、しばしば簡潔にサルエント現象を記述できず、進歩は、探索を誘導し焦点を合わせるための動的レジームのアドホックな定義に大きく依存している。
本稿では,動的レジームの同定を最適化問題として定式化する形式的定義を提案し,その目的関数を提案する。
さらに,事前知識やアドホックな定義の必要性を排除した教師なし学習フレームワークを提案する。その代わりに,ユーザは適切なクラスタリングと次元削減アルゴリズムのみを選択する必要があり,この選択は,提案した目的関数を用いてガイドすることができる。
海洋力学, 腫瘍血管新生, 乱流境界層から引き出された問題を用いて, その適用性を示す。
我々の手法は、物理科学を前進させる可能性を秘め、動的システム内でセレンディピティーな発見を可能にする、偏見のないデータ探索への一歩である。
関連論文リスト
- Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳(メタデータ) (2024-03-02T00:56:05Z) - Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
得られた知識を有向非巡回因果グラフの形で公開することを提案する。
また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。
提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
論文 参考訳(メタデータ) (2023-09-30T20:59:42Z) - Optimistic Active Exploration of Dynamical Systems [52.91573056896633]
我々はOPAXと呼ばれる活発な探索のためのアルゴリズムを開発した。
我々は,OPAXを各エピソードで解決可能な最適制御問題に還元する方法を示す。
実験の結果,OPAXは理論的に健全であるだけでなく,新規な下流タスクのゼロショット計画にも有効であることがわかった。
論文 参考訳(メタデータ) (2023-06-21T16:26:59Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳(メタデータ) (2023-01-30T12:38:31Z) - Learning dynamics from partial observations with structured neural ODEs [5.757156314867639]
本稿では,ニューラルODEに基づくシステム識別に関する幅広い物理的知見を取り入れたフレキシブルなフレームワークを提案する。
本稿では,ロボット外骨格を用いた数値シミュレーションおよび実験データセットにおける提案手法の性能について述べる。
論文 参考訳(メタデータ) (2022-05-25T07:54:10Z) - Learning Low-Dimensional Quadratic-Embeddings of High-Fidelity Nonlinear
Dynamics using Deep Learning [9.36739413306697]
データから動的モデルを学ぶことは、エンジニアリング設計、最適化、予測において重要な役割を果たす。
深層学習を用いて高忠実度力学系に対する低次元埋め込みを同定する。
論文 参考訳(メタデータ) (2021-11-25T10:09:00Z) - 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) - Backprop-Free Reinforcement Learning with Active Neural Generative
Coding [84.11376568625353]
動的環境におけるエラー(バックプロップ)のバックプロパゲーションを伴わない行動駆動型生成モデルの学習のための計算フレームワークを提案する。
我々は、まばらな報酬でも機能するインテリジェントエージェントを開発し、推論として計画の認知理論からインスピレーションを得ている。
我々のエージェントの堅牢な性能は、神経推論と学習のためのバックプロップフリーアプローチがゴール指向の行動を促進するという有望な証拠を提供する。
論文 参考訳(メタデータ) (2021-07-10T19:02:27Z) - Detecting chaos in lineage-trees: A deep learning approach [1.536989504296526]
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。
論文 参考訳(メタデータ) (2021-06-08T11:11:52Z) - LQResNet: A Deep Neural Network Architecture for Learning Dynamic
Processes [9.36739413306697]
データ駆動型アプローチ、すなわちオペレータ推論フレームワークは、動的プロセスをモデル化する。
演算子推論と特定のディープニューラルネットワークアプローチを組み合わせることで、システムの未知の非線形ダイナミクスを推定することを提案する。
論文 参考訳(メタデータ) (2021-03-03T08:19:43Z) - Incorporating physical constraints in a deep probabilistic machine
learning framework for coarse-graining dynamical systems [7.6146285961466]
本稿では,予測の不確実性の定量化を可能にする,データに基づく確率論的視点を提供する。
確率的状態空間モデルを用いて粗粒化過程を定式化する。
完全な微細なシステムの進化を再構築することができる。
論文 参考訳(メタデータ) (2019-12-30T16:07:46Z)
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。