Fugu-MT 論文翻訳(概要): Multiple shooting with neural differential equations

論文の概要: Multiple shooting with neural differential equations

arxiv url: http://arxiv.org/abs/2109.06786v1
Date: Tue, 14 Sep 2021 15:56:37 GMT
ステータス: 処理完了
システム内更新日: 2021-09-15 19:41:38.602097
Title: Multiple shooting with neural differential equations
Title（参考訳）: ニューラル微分方程式を用いた多重撮影
Authors: Evren Mert Turan and Johannes J\"aschke
Abstract要約: この研究は、データが振動を含む場合、神経微分方程式の標準的な適合は、データを記述するのに失敗する平坦な軌跡を与える可能性があることを実験的に証明している。次に、2つのデータセットにニューラル微分方程式を適合させるための多重射撃法を紹介し、この手法の実証に成功した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Neural differential equations have recently emerged as a flexible data-driven/hybrid approach to model time-series data. This work experimentally demonstrates that if the data contains oscillations, then standard fitting of a neural differential equation may give flattened out trajectory that fails to describe the data. We then introduce the multiple shooting method and present successful demonstrations of this method for the fitting of a neural differential equation to two datasets (synthetic and experimental) that the standard approach fails to fit. Constraints introduced by multiple shooting can be satisfied using a penalty or augmented Lagrangian method.
Abstract（参考訳）: ニューラル微分方程式は、最近、時系列データをモデル化するための柔軟なデータ駆動/ハイブリッドのアプローチとして現れた。この研究は、データが振動を含む場合、神経微分方程式の標準的な適合は、データを記述するのに失敗する平坦な軌跡を与える可能性があることを実験的に示す。次に、本手法の多射法を導入し、標準アプローチが適合しない2つのデータセット(合成および実験)にニューラル微分方程式を適合させる実演を行う。多重射撃によって導入された制約は、ペナルティまたは拡張ラグランジアン法を用いて満たすことができる。

関連論文リスト

A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文参考訳（メタデータ） (2023-05-31T15:33:16Z)
Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文参考訳（メタデータ） (2023-04-10T17:54:38Z)
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)
Learning Hamiltonian Systems with Mono-Implicit Runge-Kutta Methods [0.0]
単単純ランジュ・クッタ法を高次に使用することにより、ハミルトンニューラルネットワークを小さなデータセット上で正確にトレーニングできることを示す。これは、Fermi-Pasta-Ulam-Tsingouシステムに加えて、カオス二重振り子のハミルトニアンがデータから学習される数値実験によって実証される。
論文参考訳（メタデータ） (2023-03-07T10:04:51Z)
A PINN Approach to Symbolic Differential Operator Discovery with Sparse Data [0.0]
本研究では,実験データが少ない状況下で微分作用素の記号的発見を行う。微分方程式における未知の隠れ項の表現を学習するニューラルネットワークを追加することで、PINNのアプローチを変更する。このアルゴリズムは微分方程式に対する代理解と隠れた項のブラックボックス表現の両方を与える。
論文参考訳（メタデータ） (2022-12-09T02:09:37Z)
Neural ODEs with Irregular and Noisy Data [8.349349605334316]
ノイズや不規則なサンプル測定を用いて微分方程式を学習する手法について議論する。我々の方法論では、ディープニューラルネットワークとニューラル常微分方程式(ODE)アプローチの統合において、大きな革新が見られる。ベクトル場を記述するモデルを学習するためのフレームワークは,雑音測定において非常に効果的である。
論文参考訳（メタデータ） (2022-05-19T11:24:41Z)
Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文参考訳（メタデータ） (2022-02-18T22:41:51Z)
Learning Dynamics from Noisy Measurements using Deep Learning with a Runge-Kutta Constraint [9.36739413306697]
そこで本研究では,雑音と疎サンプルを用いた微分方程式の学習手法について論じる。我々の方法論では、ディープニューラルネットワークと古典的な数値積分法の統合において、大きな革新が見られる。
論文参考訳（メタデータ） (2021-09-23T15:43:45Z)
The data-driven physical-based equations discovery using evolutionary approach [77.34726150561087]
与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
論文参考訳（メタデータ） (2020-04-03T17:21:57Z)
Learning Stochastic Behaviour from Aggregate Data [52.012857267317784]
集約データから非線形ダイナミクスを学習することは、各個人の完全な軌道が利用できないため、難しい問題である。本稿では,Fokker Planck Equation (FPE) の弱い形式を用いて,サンプル形式のデータの密度変化を記述する手法を提案する。このようなサンプルベースのフレームワークでは、偏微分方程式(PDE)FPEを明示的に解くことなく、集約データから非線形ダイナミクスを学習することができる。
論文参考訳（メタデータ） (2020-02-10T03:20:13Z)

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。