Fugu-MT 論文翻訳(概要): Structure-preserving Sparse Identification of Nonlinear Dynamics for Data-driven Modeling

論文の概要: Structure-preserving Sparse Identification of Nonlinear Dynamics for Data-driven Modeling

arxiv url: http://arxiv.org/abs/2109.05364v1
Date: Sat, 11 Sep 2021 20:32:10 GMT
ステータス: 処理完了
システム内更新日: 2021-09-14 15:14:45.462767
Title: Structure-preserving Sparse Identification of Nonlinear Dynamics for Data-driven Modeling
Title（参考訳）: データ駆動モデリングのための非線形ダイナミクスの構造保存スパース同定
Authors: Kookjin Lee, Nathaniel Trask, Panos Stinis
Abstract要約: 本稿では,SINDy(Sparse Identification of Dynamics)形式とニューラル常微分方程式の結合について述べる。結果として得られるフレームワークは、"ブラックボックス"のダイナミクスの学習と、可逆的および不可逆的両方のダイナミクスのためのブラケット形式を保存する構造学の学習を可能にする。
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: Discovery of dynamical systems from data forms the foundation for data-driven modeling and recently, structure-preserving geometric perspectives have been shown to provide improved forecasting, stability, and physical realizability guarantees. We present here a unification of the Sparse Identification of Nonlinear Dynamics (SINDy) formalism with neural ordinary differential equations. The resulting framework allows learning of both "black-box" dynamics and learning of structure preserving bracket formalisms for both reversible and irreversible dynamics. We present a suite of benchmarks demonstrating effectiveness and structure preservation, including for chaotic systems.
Abstract（参考訳）: データからの力学系の発見はデータ駆動モデリングの基礎となり、最近では構造保存幾何学的な視点が予測、安定性、物理的実現可能性の保証を改善することが示されている。本稿では、非線形ダイナミクス(SINDy)のスパース同定とニューラル常微分方程式の結合について述べる。結果として得られるフレームワークは、"ブラックボックス"のダイナミクスの学習と、可逆性と不可逆両方のダイナミクスのためのブラケット形式を保存する構造の学習を可能にする。カオスシステムを含む,有効性と構造保存性を示すベンチマークスイートを提案する。

関連論文リスト

Automated Global Analysis of Experimental Dynamics through Low-Dimensional Linear Embeddings [3.825457221275617]
非線形力学系に対する低次元線形モデルを導出するためのデータ駆動型計算フレームワークを提案する。このフレームワークは、基盤となるシステム構造をキャプチャする解釈可能な線形モデルを通じて、大域的な安定性解析を可能にする。本手法は, 物理, 気候科学, 工学などの分野にまたがる複雑な力学挙動を解析するための, 有望な経路を提供する。
論文参考訳（メタデータ） (2024-11-01T19:27:47Z)
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)
Probabilistic Decomposed Linear Dynamical Systems for Robust Discovery of Latent Neural Dynamics [5.841659874892801]
時間変化線形状態空間モデルは、ニューラルネットワークの数学的解釈可能な表現を得るための強力なツールである。潜在変数推定のための既存の手法は、動的ノイズやシステムの非線形性に対して堅牢ではない。本稿では,動的雑音に対するロバスト性を改善するために,分解モデルにおける潜在変数推定に対する確率的アプローチを提案する。
論文参考訳（メタデータ） (2024-08-29T18:58:39Z)
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)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2023-02-11T21:07:30Z)
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)
Physics-guided Deep Markov Models for Learning Nonlinear Dynamical Systems with Uncertainty [6.151348127802708]
我々は物理誘導型Deep Markov Model(PgDMM)という物理誘導型フレームワークを提案する。提案手法は,動的システムの駆動物理を維持しながら,ディープラーニングの表現力を利用する。
論文参考訳（メタデータ） (2021-10-16T16:35:12Z)
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)
Discovering Sparse Interpretable Dynamics from Partial Observations [0.0]
部分的な観測のみを用いてこれらの支配方程式を発見するための機械学習フレームワークを提案する。本手法がシステム全体の再構築に有効であることを示す。
論文参考訳（メタデータ） (2021-07-22T18:23:23Z)
Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable Dynamical Systems [74.80320120264459]
本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。複素運動は安定な力学系のロールアウトとして符号化される。このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
論文参考訳（メタデータ） (2020-05-27T03:51:57Z)

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。