論文の概要: Generalizing to New Physical Systems via Context-Informed Dynamics Model
- arxiv url: http://arxiv.org/abs/2202.01889v1
- Date: Tue, 1 Feb 2022 07:41:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-13 14:24:30.597160
- Title: Generalizing to New Physical Systems via Context-Informed Dynamics Model
- Title(参考訳): コンテキストインフォームドダイナミクスモデルによる新しい物理系への一般化
- Authors: Matthieu Kirchmeyer (MLIA), Yuan Yin (MLIA), J\'er\'emie Don\`a
(MLIA), Nicolas Baskiotis (MLIA), Alain Rakotomamonjy (LITIS), Patrick
Gallinari (MLIA)
- Abstract要約: 文脈インフォームド・ダイナミックス適応(CoDA)のための新しいフレームワークを提案する。
CoDAは、各環境固有のコンテキストパラメータに動的モデルを適用することを学ぶ。
様々なアプリケーション領域を表す非線形ダイナミクスの集合に対して、最先端の一般化結果を示す。
- 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: Data-driven approaches to modeling physical systems fail to generalize to
unseen systems that share the same general dynamics with the learning domain,
but correspond to different physical contexts. We propose a new framework for
this key problem, context-informed dynamics adaptation (CoDA), which takes into
account the distributional shift across systems for fast and efficient
adaptation to new dynamics. CoDA leverages multiple environments, each
associated to a different dynamic, and learns to condition the dynamics model
on contextual parameters, specific to each environment. The conditioning is
performed via a hypernetwork, learned jointly with a context vector from
observed data. The proposed formulation constrains the search hypothesis space
to foster fast adaptation and better generalization across environments. It
extends the expressivity of existing methods. We theoretically motivate our
approach and show state-ofthe-art generalization results on a set of nonlinear
dynamics, representative of a variety of application domains. We also show, on
these systems, that new system parameters can be inferred from context vectors
with minimal supervision.
- Abstract(参考訳): 物理システムのモデリングに対するデータ駆動アプローチは、学習領域と同じ一般ダイナミクスを持つが、異なる物理コンテキストに対応する未認識のシステムへの一般化に失敗します。
本稿では,新しい力学への適応を迅速かつ効率的に行うために,システム間の分散シフトを考慮したコンテキストインフォームド・ダイナミクス・アダプティブ(CoDA)を提案する。
CoDAは異なる動的に関連付けられた複数の環境を活用し、各環境固有のコンテキストパラメータに動的モデルを条件付けることを学ぶ。
コンディショニングはハイパーネットワークを介して行われ、観測データからコンテキストベクトルと共同で学習される。
提案する定式化は探索仮説空間を制約し,高速な適応と環境間のより良い一般化を促進する。
既存のメソッドの表現性を拡張する。
理論的には、このアプローチを動機付け、様々なアプリケーションドメインを表現する非線形ダイナミクスの集合に最先端の一般化結果を示す。
また,これらのシステムでは,新しいシステムパラメータが最小限の監督でコンテキストベクトルから推測できることを示す。
関連論文リスト
- Learning Latent Dynamics via Invariant Decomposition and
(Spatio-)Temporal Transformers [0.6767885381740952]
本研究では,高次元経験データから力学系を学習する手法を提案する。
我々は、システムの複数の異なるインスタンスからデータが利用できる設定に焦点を当てる。
我々は、単純な理論的分析と、合成および実世界のデータセットに関する広範な実験を通して行動を研究する。
論文 参考訳(メタデータ) (2023-06-21T07:52:07Z) - How accurate are neural approximations of complex network dynamics? [2.483819327790676]
常微分方程式のデータ駆動近似は、力学系モデルを発見する古典的な方法の代替として有望なものである。
本稿では、複雑なネットワークを介して結合されたそのような方程式の系で力学を記述する複雑なシステムに焦点をあてる。
本稿では,これらの力学系をニューラルネットワークを用いて近似するための重要な要素を提案する。
論文 参考訳(メタデータ) (2023-01-12T09:44:59Z) - Data-driven Influence Based Clustering of Dynamical Systems [0.0]
コミュニティ検出は科学と工学の様々な分野において困難で関連する問題である。
本稿では,時系列データから動的システムをクラスタリングする手法を提案する。
本稿では、3つの異なる力学系をクラスタリングすることで提案手法の有効性を示す。
論文 参考訳(メタデータ) (2022-04-05T17:26:47Z) - 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) - 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) - 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) - LEADS: Learning Dynamical Systems that Generalize Across Environments [12.024388048406587]
我々は、モデル一般化を改善するために、既知の環境間の共通点と相違点を活用する新しいフレームワークであるLEADSを提案する。
環境に依存したデータから抽出した知識を活用でき、既知の環境と新しい環境の両方の一般化を向上できることを示す。
論文 参考訳(メタデータ) (2021-06-08T17:28:19Z) - Explore the Context: Optimal Data Collection for Context-Conditional
Dynamics Models [2.66512000865131]
特性の異なる動的系のパラメータ化ファミリのダイナミクスモデルを学ぶ。
我々は、限られた数の環境相互作用に対して、与えられたシステムを最適に探索するアクションシーケンスを計算する。
非線形トイプロブレムと2つの有名な強化学習環境における探索手法の有効性を実証する。
論文 参考訳(メタデータ) (2021-02-22T22:52:39Z) - Trajectory-wise Multiple Choice Learning for Dynamics Generalization in
Reinforcement Learning [137.39196753245105]
本稿では,動的一般化のためのマルチヘッドダイナミックスモデルを学習するモデルベース強化学習アルゴリズムを提案する。
文脈学習は,過去の経験から得られる動的情報からコンテキスト潜在ベクトルにエンコードする。
提案手法は,最先端のRL法と比較して,様々な制御タスクにおいて優れたゼロショット一般化性能を示す。
論文 参考訳(メタデータ) (2020-10-26T03:20:42Z) - Context-aware Dynamics Model for Generalization in Model-Based
Reinforcement Learning [124.9856253431878]
グローバルなダイナミクスモデルを学習するタスクを,(a)ローカルなダイナミクスをキャプチャするコンテキスト潜在ベクトルを学習し,(b)次に条件付き状態を予測するという2つの段階に分割する。
本研究では,コンテキスト潜在ベクトルに動的情報をエンコードするために,コンテキスト潜在ベクトルを前方と後方の両方のダイナミクスを予測するのに役立つような新しい損失関数を導入する。
提案手法は,既存のRL方式と比較して,様々なシミュレーションロボットや制御タスクの一般化能力に優れる。
論文 参考訳(メタデータ) (2020-05-14T08:10:54Z) - Learning Stable Deep Dynamics Models [91.90131512825504]
状態空間全体にわたって安定することが保証される力学系を学習するためのアプローチを提案する。
このような学習システムは、単純な力学系をモデル化することができ、複雑な力学を学習するために追加の深層生成モデルと組み合わせることができることを示す。
論文 参考訳(メタデータ) (2020-01-17T00:04:45Z)
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。