論文の概要: Leveraging the structure of dynamical systems for data-driven modeling
- arxiv url: http://arxiv.org/abs/2112.08458v1
- Date: Wed, 15 Dec 2021 20:09:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-17 16:26:15.956065
- Title: Leveraging the structure of dynamical systems for data-driven modeling
- Title（参考訳）: データ駆動モデリングのための動的システムの構造の活用
- Authors: Alessandro Bucci, Onofrio Semeraro, Alexandre Allauzen, Sergio
Chibbaro and Lionel Mathelin
- Abstract要約: トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
- 参考スコア（独自算出の注目度）: 111.45324708884813
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The reliable prediction of the temporal behavior of complex systems is
required in numerous scientific fields. This strong interest is however
hindered by modeling issues: often, the governing equations describing the
physics of the system under consideration are not accessible or, when known,
their solution might require a computational time incompatible with the
prediction time constraints.
Nowadays, approximating complex systems at hand in a generic functional
format and informing it ex nihilo from available observations has become a
common practice, as illustrated by the enormous amount of scientific work
appeared in the last years. Numerous successful examples based on deep neural
networks are already available, although generalizability of the models and
margins of guarantee are often overlooked. Here, we consider Long-Short Term
Memory neural networks and thoroughly investigate the impact of the training
set and its structure on the quality of the long-term prediction. Leveraging
ergodic theory, we analyze the amount of data sufficient for a priori
guaranteeing a faithful model of the physical system.
We show how an informed design of the training set, based on invariants of
the system and the structure of the underlying attractor, significantly
improves the resulting models, opening up avenues for research within the
context of active learning. Further, the non-trivial effects of the memory
initializations when relying on memory-capable models will be illustrated. Our
findings provide evidence-based good-practice on the amount and the choice of
data required for an effective data-driven modeling of any complex dynamical
system.
- Abstract（参考訳）: 複雑なシステムの時間的挙動の信頼できる予測は、多くの科学分野において必要である。
しかし、この強い関心はモデリングの問題によって妨げられている: しばしば、考慮中の系の物理を記述する支配方程式はアクセスできないか、またはそれらの解は予測時間制約と相容れない計算時間を必要とするかもしれない。
今日では、複雑なシステムを汎用的な機能形式で近似し、利用可能な観測からニヒロに知らせることが、近年の膨大な科学的研究によって示されているように、一般的な慣行となっている。
ディープニューラルネットワークに基づく多くの成功例がすでに利用可能であるが、モデルの一般化可能性や保証のマージンはしばしば見過ごされている。
本稿では,長期記憶ニューラルネットワークについて考察し,トレーニングセットとその構造が長期予測の品質に与える影響を徹底的に検討する。
エルゴディック理論を応用して、物理系の忠実なモデルを保証する事前計算に十分なデータの量を分析する。
本稿では,システムの不変性と基礎となるアトラクタの構造に基づいて,学習セットのインフォームドデザインが学習モデルを大幅に改善し,アクティブラーニングの文脈における研究の道筋を開く方法を示す。
さらに、メモリ対応モデルに依存する場合のメモリ初期化の非自明な効果を図示する。
本研究は,複雑な力学系の効率的なデータ駆動モデリングに必要なデータ量と選択について,エビデンスに基づくグッドプラクティスを提案する。
関連論文リスト
- 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) - Neural Koopman prior for data assimilation [7.875955593012905]
ニューラルネットワークアーキテクチャを使って、潜在空間に動的システムを埋め込む。
本研究では,このようなモデルを長期の継続的再構築のために訓練する手法を提案する。
また,変動データ同化手法の先行として,訓練された動的モデルの有望な利用を示すとともに,自己教師型学習の可能性も示された。
論文 参考訳（メタデータ） (2023-09-11T09:04:36Z) - Robustness and Generalization Performance of Deep Learning Models on
Cyber-Physical Systems: A Comparative Study [71.84852429039881]
調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。
我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
論文 参考訳（メタデータ） (2023-06-13T12:43:59Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳（メタデータ） (2023-01-30T12:38:31Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Learning dynamics from partial observations with structured neural ODEs [5.757156314867639]
本稿では,ニューラルODEに基づくシステム識別に関する幅広い物理的知見を取り入れたフレキシブルなフレームワークを提案する。
本稿では,ロボット外骨格を用いた数値シミュレーションおよび実験データセットにおける提案手法の性能について述べる。
論文 参考訳（メタデータ） (2022-05-25T07:54:10Z) - Bi-fidelity Modeling of Uncertain and Partially Unknown Systems using
DeepONets [0.0]
本稿では,複雑な物理系に対する双方向モデリング手法を提案する。
我々は、小さなトレーニングデータセットが存在する場合、真のシステムの応答と低忠実度応答の相違をモデル化する。
パラメトリック不確実性を持ち、部分的には未知なモデルシステムにアプローチを適用する。
論文 参考訳（メタデータ） (2022-04-03T05:30:57Z) - Symplectic Momentum Neural Networks -- Using Discrete Variational
Mechanics as a prior in Deep Learning [7.090165638014331]
本稿では,Sypic Momentum Networks (SyMo) を,非分離機械系のメカニクスの離散的な定式化のモデルとして紹介する。
このような組み合わせによって、これらのモデルが限られたデータから得られるだけでなく、シンプレクティックなフォームを保存し、より長期的な振る舞いを示す能力も提供できることが示される。
論文 参考訳（メタデータ） (2022-01-20T16:33:19Z) - 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) - 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)
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。