論文の概要: A purely data-driven framework for prediction, optimization, and control
of networked processes: application to networked SIS epidemic model
- arxiv url: http://arxiv.org/abs/2108.02005v1
- Date: Sun, 1 Aug 2021 03:57:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-06 02:25:32.017727
- Title: A purely data-driven framework for prediction, optimization, and control
of networked processes: application to networked SIS epidemic model
- Title（参考訳）: ネットワーク化プロセスの予測、最適化、制御のための純粋データ駆動フレームワーク:ネットワーク化sis流行モデルへの応用
- Authors: Ali Tavasoli, Teague Henry, Heman Shakeri
- Abstract要約: 我々は,大規模ネットワーク上での非線形力学の同定と制御を行う演算子理論に基づくデータ駆動型フレームワークを開発した。
提案手法では、ネットワーク構造に関する事前の知識は必要とせず、状態の2段階のスナップショットのみを用いて基礎となるダイナミクスを識別する。
- 参考スコア（独自算出の注目度）: 0.8287206589886881
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Networks are landmarks of many complex phenomena where interweaving
interactions between different agents transform simple local rule-sets into
nonlinear emergent behaviors. While some recent studies unveil associations
between the network structure and the underlying dynamical process, identifying
stochastic nonlinear dynamical processes continues to be an outstanding
problem. Here we develop a simple data-driven framework based on
operator-theoretic techniques to identify and control stochastic nonlinear
dynamics taking place over large-scale networks. The proposed approach requires
no prior knowledge of the network structure and identifies the underlying
dynamics solely using a collection of two-step snapshots of the states. This
data-driven system identification is achieved by using the Koopman operator to
find a low dimensional representation of the dynamical patterns that evolve
linearly. Further, we use the global linear Koopman model to solve critical
control problems by applying to model predictive control (MPC)--typically, a
challenging proposition when applied to large networks. We show that our
proposed approach tackles this by converting the original nonlinear programming
into a more tractable optimization problem that is both convex and with far
fewer variables.
- Abstract（参考訳）: ネットワークは、異なるエージェント間の相互作用が単純な局所規則セットを非線形創発的行動に変換する多くの複雑な現象のランドマークである。
近年の研究では、ネットワーク構造と基礎となる力学過程の関連が明らかにされているが、確率的非線形力学過程の同定は未解決の問題である。
本稿では,大規模ネットワーク上で発生する確率的非線形ダイナミクスを識別・制御するための演算子理論に基づく単純なデータ駆動フレームワークを開発した。
提案手法では,ネットワーク構造の事前知識を必要とせず,状態の2段階スナップショットの収集のみを用いて基盤となるダイナミクスを識別する。
このデータ駆動システム同定は、koopman演算子を使用して線形に進化する動的パターンの低次元表現を見つけることによって達成される。
さらに,大局的な線形クープマンモデルを用いて,予測制御(MPC)モデルに適用することで,重要な制御問題を解く。
提案手法は, 従来の非線形プログラミングを, 凸およびはるかに少ない変数を持つより扱いやすい最適化問題に変換することで, この問題に対処できることを示す。
関連論文リスト
- Discovering Governing equations from Graph-Structured Data by Sparse Identification of Nonlinear Dynamical Systems [0.27624021966289597]
グラフ構造化データ(SINDyG)から動的システムのスパース同定法を開発した。
SINDyGは、ネットワーク構造をスパースレグレッションに組み込んで、基礎となるネットワーク力学を説明するモデルパラメータを識別する。
論文 参考訳（メタデータ） (2024-09-02T17:51:37Z) - Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [94.2860766709971]
統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。
我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
論文 参考訳（メタデータ） (2024-04-04T06:24:11Z) - Amortized Network Intervention to Steer the Excitatory Point Processes [8.15558505134853]
動的グラフ上に発生する励起点過程(すなわちイベントフロー)は、時間と空間を通じて離散事象がどのように広がるかを把握するためのきめ細かいモデルを提供する。
動的グラフ構造を変更してイベントフローを効果的に操縦する方法は、感染症の拡散を抑制する動機となる興味深い問題である。
我々はAmortized Network Interventionsフレームワークを設計し、履歴やその他のコンテキストから最適なポリシーをプールできるようにする。
論文 参考訳（メタデータ） (2023-10-06T11:17:28Z) - Understanding Multi-phase Optimization Dynamics and Rich Nonlinear
Behaviors of ReLU Networks [8.180184504355571]
線形可分データに基づく勾配流による2層ReLUネットワークの学習過程の理論的評価を行う。
学習過程全体から4つの段階が明らかになり,学習の簡略化と複雑化の傾向が示された。
特定の非線形挙動は、初期、サドルプラトー力学、凝縮エスケープ、複雑化に伴う活性化パターンの変化など、理論的に正確に識別することもできる。
論文 参考訳（メタデータ） (2023-05-21T14:08:34Z) - Learning Linear Embeddings for Non-Linear Network Dynamics with Koopman
Message Passing [0.0]
我々は、クープマン作用素理論とメッセージパッシングネットワークに基づく新しいアプローチを提案する。
動的システムに対する線形表現は,任意の段階において世界規模で有効である。
本手法で得られた線形化は,現在の最先端技術よりも数桁優れたネットワーク力学問題に対して予測を行う。
論文 参考訳（メタデータ） (2023-05-15T23:00:25Z) - Interference Cancellation GAN Framework for Dynamic Channels [74.22393885274728]
チャネルのあらゆる変更に適応できるオンライントレーニングフレームワークを導入します。
我々のフレームワークは、非常にダイナミックなチャネル上での最近のニューラルネットワークモデルよりも大幅に優れています。
論文 参考訳（メタデータ） (2022-08-17T02:01:18Z) - Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。
予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。
本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文 参考訳（メタデータ） (2021-09-06T04:39:06Z) - DynNet: Physics-based neural architecture design for linear and
nonlinear structural response modeling and prediction [2.572404739180802]
本研究では,線形および非線形な多自由度系の力学を学習できる物理に基づくリカレントニューラルネットワークモデルを提案する。
このモデルは、変位、速度、加速度、内部力を含む完全な応答のセットを推定することができる。
論文 参考訳（メタデータ） (2020-07-03T17:05:35Z) - An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。
この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文 参考訳（メタデータ） (2020-06-19T22:05:19Z) - Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
クープマン理論に関連する新しい物理学に基づく手法が導入された。
本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。
このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
論文 参考訳（メタデータ） (2020-03-04T18:24:30Z) - Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。
また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
論文 参考訳（メタデータ） (2020-02-20T15:43:02Z)
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。