論文の概要: Which priors matter? Benchmarking models for learning latent dynamics

• arxiv url: http://arxiv.org/abs/2111.05458v1
• Date: Tue, 9 Nov 2021 23:48:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-11 14:28:52.657724
• Title: Which priors matter? Benchmarking models for learning latent dynamics
• Title（参考訳）: どちらが重要か? 潜在ダイナミクス学習のためのベンチマークモデル
• Authors: Aleksandar Botev and Andrew Jaegle and Peter Wirnsberger and Daniel Hennes and Irina Higgins
• Abstract要約: 古典力学の先行概念を機械学習モデルに統合する手法が提案されている。 これらのモデルの現在の機能について、精査する。 連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
• 参考スコア（独自算出の注目度）: 70.88999063639146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning dynamics is at the heart of many important applications of machine learning (ML), such as robotics and autonomous driving. In these settings, ML algorithms typically need to reason about a physical system using high dimensional observations, such as images, without access to the underlying state. Recently, several methods have proposed to integrate priors from classical mechanics into ML models to address the challenge of physical reasoning from images. In this work, we take a sober look at the current capabilities of these models. To this end, we introduce a suite consisting of 17 datasets with visual observations based on physical systems exhibiting a wide range of dynamics. We conduct a thorough and detailed comparison of the major classes of physically inspired methods alongside several strong baselines. While models that incorporate physical priors can often learn latent spaces with desirable properties, our results demonstrate that these methods fail to significantly improve upon standard techniques. Nonetheless, we find that the use of continuous and time-reversible dynamics benefits models of all classes.
• Abstract（参考訳）: 学習ダイナミクスは、ロボット工学や自動運転など、機械学習(ml)の多くの重要な応用の中心にある。 これらの設定では、MLアルゴリズムは通常、基礎となる状態にアクセスすることなく、画像のような高次元の観測を用いて物理系を推論する必要がある。 近年,画像からの物理的推論の課題に対処するため,古典力学の先行をMLモデルに統合する手法が提案されている。 この研究では、これらのモデルの現在の能力について、そっと見ていきます。 そこで本研究では,広い範囲のダイナミックスを示す物理系に基づく可視化観測を行う17のデータセットからなるスイートを提案する。 我々は、いくつかの強力なベースラインと共に、物理的にインスパイアされたメソッドの主要なクラスを徹底的かつ詳細な比較を行う。 物理プライオリティを組み込んだモデルは、しばしば望ましい性質を持つ潜在空間を学習するが、これらの手法が標準技術によって著しく改善されないことを実証する。 それでも、連続的および時間的可逆なダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。

関連論文リスト

• Learning System Dynamics without Forgetting [60.08612207170659]
  未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。 本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。 生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-06-30T14:55:18Z)
• Towards a population-informed approach to the definition of data-driven models for structural dynamics [0.0]
  ここでは人口ベーススキームを踏襲し、メタラーニング領域からの2つの異なる機械学習アルゴリズムを用いる。 このアルゴリズムは、従来の機械学習アルゴリズムよりも、関心の量を近似するのが目的のようだ。
  論文  参考訳（メタデータ） (2023-07-19T09:45:41Z)
• Learning continuous models for continuous physics [94.42705784823997]
  本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。 本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
  論文  参考訳（メタデータ） (2022-02-17T07:56:46Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Physics-Guided Deep Learning for Dynamical Systems: A survey [5.733401663293044]
  伝統的な物理学に基づくモデルは解釈可能であるが、厳密な仮定に依存している。 ディープラーニングは、複雑なパターンを効率的に認識し、非線形力学をエミュレートするための新しい代替手段を提供する。 物理学に基づくモデリングと最先端のDLモデルの両方を最大限に活用して、科学的な問題を解決することを目指している。
  論文  参考訳（メタデータ） (2021-07-02T20:59:03Z)
• GEM: Group Enhanced Model for Learning Dynamical Control Systems [78.56159072162103]
  サンプルベースの学習が可能な効果的なダイナミクスモデルを構築します。 リー代数ベクトル空間上のダイナミクスの学習は、直接状態遷移モデルを学ぶよりも効果的であることを示す。 この研究は、ダイナミクスの学習とリー群の性質の関連性を明らかにし、新たな研究の方向への扉を開く。
  論文  参考訳（メタデータ） (2021-04-07T01:08:18Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Modeling System Dynamics with Physics-Informed Neural Networks Based on Lagrangian Mechanics [3.214927790437842]
  第一原則の手法は高いバイアスに悩まされるが、データ駆動モデリングは高いばらつきを持つ傾向がある。 本稿では,2つのモデリング手法を組み合わせて上記の問題を解くハイブリッドモデルであるPINODEについて述べる。 本研究の目的は,機械系のモデルベース制御とシステム同定である。
  論文  参考訳（メタデータ） (2020-05-29T15:10:43Z)

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。