Fugu-MT 論文翻訳(概要): Analysis of chaotic dynamical systems with autoencoders

論文の概要: Analysis of chaotic dynamical systems with autoencoders

arxiv url: http://arxiv.org/abs/2109.13078v1
Date: Wed, 22 Sep 2021 11:18:57 GMT
ステータス: 処理完了
システム内更新日: 2021-10-10 14:57:18.870634
Title: Analysis of chaotic dynamical systems with autoencoders
Title（参考訳）: オートエンコーダを用いたカオス力学系の解析
Authors: N. Almazova, G. D. Barmparis and G. P. Tsironis
Abstract要約: カオス力学系に着目し,オートエンコーダを用いて時系列を解析する。この分析により、各系の潜在空間次元が決定される。構築されたカオスオートエンコーダは、元のカオス系と同様の最大リアプノフ指数を生成する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We focus on chaotic dynamical systems and analyze their time series with the use of autoencoders, i.e., configurations of neural networks that map identical output to input. This analysis results in the determination of the latent space dimension of each system and thus determines the minimal number of nodes necessary to capture the essential information contained in the chaotic time series. The constructed chaotic autoencoders generate similar maximal Lyapunov exponents as the original chaotic systems and thus encompass their essential dynamical information.
Abstract（参考訳）: 我々はカオス力学系に注目し,その時系列をオートエンコーダ,すなわち入力に同一の出力をマッピングするニューラルネットワークの構成を用いて解析する。この解析により、各系の潜在空間次元の決定が可能となり、カオス時系列に含まれる必須情報を取得するのに必要な最小のノード数を決定することができる。構築されたカオスオートエンコーダは、元のカオスシステムと同様の最大リアプノフ指数を生成し、それによってそれらの重要な動的情報を包含する。

関連論文リスト

How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文参考訳（メタデータ） (2023-06-04T08:53:27Z)
A Data-Driven Hybrid Automaton Framework to Modeling Complex Dynamical Systems [2.610470075814367]
データ駆動型ハイブリッドオートマトンモデルを提案する。小規模ニューラルネットワークは、対応するトポロジの局所的力学記述として訓練される。限界サイクルの数値的な例を示し、発達したモデルが到達可能な集合計算の計算コストを大幅に削減できることを示す。
論文参考訳（メタデータ） (2023-04-26T20:18:12Z)
The dynamics of representation learning in shallow, non-linear autoencoders [3.1219977244201056]
非線形浅層オートエンコーダにおける特徴学習のダイナミクスについて検討する。長時間のダイナミクスの分析では、シグモダルオートエンコーダが重みで学習できないことが説明されている。本研究では,現実的なデータセット上での非線形オートエンコーダの一般化ダイナミクスを正確に記述する。
論文参考訳（メタデータ） (2022-01-06T15:57:31Z)
Learn one size to infer all: Exploiting translational symmetries in delay-dynamical and spatio-temporal systems using scalable neural networks [1.9686770963118383]
力学系における翻訳対称性に適応したニューラルネットワーク。我々はこれらのネットワークをトレーニングし、単一のサイズで遅延と動的時空システムのダイナミクスを予測する。ネットワークのサイズをスケールすることで、より大きく、より小さなシステムサイズで複雑なダイナミクスを予測できることを実証します。
論文参考訳（メタデータ） (2021-11-05T19:09:50Z)
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)
Reconstructing a dynamical system and forecasting time series by self-consistent deep learning [4.947248396489835]
ノイズの多い決定論的時系列に自己一貫性のあるディープラーニングフレームワークを導入する。教師なしフィルタリング、状態空間再構成、基礎となる微分方程式の同定、予測を提供する。
論文参考訳（メタデータ） (2021-08-04T06:10:58Z)
Dynamical System Parameter Identification using Deep Recurrent Cell Networks [0.0]
本研究では,動的システムにおけるパラメータ同定問題について,ディープラーニング手法を用いて検討する。異なるリカレントセルを持つ6層ディープニューラルネットワークを利用することで、有効なディープリカレントアーキテクチャを探索する。文献ではこれまでこの課題に利用されなかったが,BiLSTM( bidirectional gated recurrent cells)により,パラメータ同定の精度が向上した。
論文参考訳（メタデータ） (2021-07-06T07:04:36Z)
A novel Deep Neural Network architecture for non-linear system identification [78.69776924618505]
非線形システム識別のための新しいDeep Neural Network (DNN)アーキテクチャを提案する。メモリシステムにインスパイアされたインダクティブバイアス(アーキテクチャ)と正規化(損失関数)を導入する。このアーキテクチャは、利用可能なデータのみに基づいて、自動的な複雑性の選択を可能にする。
論文参考訳（メタデータ） (2021-06-06T10:06:07Z)
Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-05-06T08:48:02Z)
Continuous-in-Depth Neural Networks [107.47887213490134]
まず最初に、このリッチな意味では、ResNetsは意味のある動的でないことを示します。次に、ニューラルネットワークモデルが連続力学系を表現することを実証する。 ResNetアーキテクチャの詳細な一般化としてContinuousNetを紹介します。
論文参考訳（メタデータ） (2020-08-05T22:54:09Z)
Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。