Fugu-MT 論文翻訳(概要): Disentangling ODE parameters from dynamics in VAEs

論文の概要: Disentangling ODE parameters from dynamics in VAEs

arxiv url: http://arxiv.org/abs/2108.11684v1
Date: Thu, 26 Aug 2021 09:58:06 GMT
ステータス: 処理完了
システム内更新日: 2021-08-27 21:08:53.395562
Title: Disentangling ODE parameters from dynamics in VAEs
Title（参考訳）: VAEのダイナミックスからODEパラメータを遠ざける
Authors: Stathi Fotiadis, Mario Lino, Chris Cantwell, Anil Bharath
Abstract要約: 我々は、データ生成プロセスの変動要因として、ODEの物理パラメータを考慮する。 VAEにおける教師付き非絡み合いからアイデアを活用することにより、潜伏空間の力学からODEパラメータを分離することを目指す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep networks have become increasingly of interest in dynamical system prediction, but generalization remains elusive. In this work, we consider the physical parameters of ODEs as factors of variation of the data generating process. By leveraging ideas from supervised disentanglement in VAEs, we aim to separate the ODE parameters from the dynamics in the latent space. Experiments show that supervised disentanglement allows VAEs to capture the variability in the dynamics and extrapolate better to ODE parameter spaces that were not present in the training data.
Abstract（参考訳）: ディープネットワークは動的システムの予測にますます関心を寄せてきたが、一般化はいまだに解明されていない。本研究では,データ生成過程の変動要因として,ODEの物理パラメータについて考察する。 vaesの教師付きディスタングルからアイデアを活用することで、odeパラメータを潜在空間のダイナミクスから分離することを目指している。実験により、教師付き非絡み合いにより、VAEはダイナミックスにおける変数をキャプチャし、トレーニングデータに存在しないODEパラメータ空間にもっとよく外挿できることが示された。

関連論文リスト

Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文参考訳（メタデータ） (2024-09-05T18:14:22Z)
Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文参考訳（メタデータ） (2024-02-19T15:57:39Z)
Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文参考訳（メタデータ） (2023-10-11T18:38:28Z)
Anamnesic Neural Differential Equations with Orthogonal Polynomial Projections [6.345523830122166]
本稿では,長期記憶を強制し,基礎となる力学系の大域的表現を保存する定式化であるPolyODEを提案する。提案手法は理論的保証に支えられ,過去と将来のデータの再構築において,過去の成果よりも優れていたことを実証する。
論文参考訳（メタデータ） (2023-03-03T10:49:09Z)
Neural Continuous-Discrete State Space Models for Irregularly-Sampled Time Series [18.885471782270375]
NCDSSMは補助変数を用いて力学からの認識をアンタングルし、補助変数のみに償却推論を必要とする。本稿では、潜在力学の3つのフレキシブルパラメータ化と、推論中の動的状態の辺りを生かした効率的な学習目標を提案する。複数のベンチマークデータセットの実証結果は、既存のモデルよりもNCDSSMの計算性能と予測性能が改善されたことを示している。
論文参考訳（メタデータ） (2023-01-26T18:45:04Z)
Temporal Domain Generalization with Drift-Aware Dynamic Neural Network [12.483886657900525]
ドリフト対応動的ニューラルネットワーク(DRAIN)フレームワークを用いた時間領域一般化を提案する。具体的には、この問題を、データとモデル力学の関係を共同でモデル化するベイズ的枠組みに定式化する。モデルパラメータとデータ分布の時間的ドリフトをキャプチャし、将来のデータなしで将来モデルを予測することができる。
論文参考訳（メタデータ） (2022-05-21T20:01:31Z)
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)
Deep learning and differential equations for modeling changes in individual-level latent dynamics between observation periods [0.0]
本稿では,異なる微分方程式パラメータの集合が観測サブ周期で許容される拡張を提案する。アプリケーション内のレジリエンスの個々の動的モデルから予測対象を導出する。提案手法では,動的モデルの個々のレベルパラメータの同定に成功し,予測子を安定して選択できる。
論文参考訳（メタデータ） (2022-02-15T13:53:42Z)
Deep Probabilistic Time Series Forecasting using Augmented Recurrent Input for Dynamic Systems [12.319812075685956]
我々は、深部生成モデルと状態空間モデル(SSM)の両方の進歩を組み合わせて、新しいデータ駆動の深部確率的シーケンスモデルを考え出す。特に、リカレントニューラルネットワーク(RNN)を用いた変動配列モデルを構築するために、一般的なエンコーダデコーダ生成構造に従う。トレーニングと予測の不整合を緩和するために,次のステップでハイブリッド出力を入力として使用することを提案する。
論文参考訳（メタデータ） (2021-06-03T23:41:11Z)
Autoregressive Dynamics Models for Offline Policy Evaluation and Optimization [60.73540999409032]
表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
論文参考訳（メタデータ） (2021-04-28T16:48:44Z)
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)

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。