論文の概要: Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations
- arxiv url: http://arxiv.org/abs/2202.12932v1
- Date: Fri, 25 Feb 2022 20:00:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-01 14:18:07.541315
- Title: Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations
- Title（参考訳）: 構造的潜在常微分方程式による動作可能ダイナミクスのキャプチャ
- Authors: Paidamoyo Chapfuwa, Sherri Rose, Lawrence Carin, Edward Meeds, Ricardo
Henao
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 68.62843292346813
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: End-to-end learning of dynamical systems with black-box models, such as
neural ordinary differential equations (ODEs), provides a flexible framework
for learning dynamics from data without prescribing a mathematical model for
the dynamics. Unfortunately, this flexibility comes at the cost of
understanding the dynamical system, for which ODEs are used ubiquitously.
Further, experimental data are collected under various conditions (inputs),
such as treatments, or grouped in some way, such as part of sub-populations.
Understanding the effects of these system inputs on system outputs is crucial
to have any meaningful model of a dynamical system. To that end, we propose a
structured latent ODE model that explicitly captures system input variations
within its latent representation. Building on a static latent variable
specification, our model learns (independent) stochastic factors of variation
for each input to the system, thus separating the effects of the system inputs
in the latent space. This approach provides actionable modeling through the
controlled generation of time-series data for novel input combinations (or
perturbations). Additionally, we propose a flexible approach for quantifying
uncertainties, leveraging a quantile regression formulation. Experimental
results on challenging biological datasets show consistent improvements over
competitive baselines in the controlled generation of observational data and
prediction of biologically meaningful system inputs.
- Abstract（参考訳）: ニューラル常微分方程式(ODE)のようなブラックボックスモデルを用いた力学系のエンドツーエンド学習は、力学の数学的モデルを記述することなく、データから力学を学習するための柔軟なフレームワークを提供する。
残念ながら、この柔軟性は、ODEがユビキタスに使用される動的システムを理解するコストが伴う。
さらに、処理などの様々な条件(入力)で実験データを収集したり、サブ人口の一部など何らかの方法でグループ化したりする。
これらのシステム入力がシステム出力に与える影響を理解することは、動的システムの有意義なモデルを持つことに不可欠である。
そこで我々は,その潜在表現におけるシステム入力の変動を明示的に捉えた構造的潜在odeモデルを提案する。
静的な潜在変数仕様に基づいて,システムへの入力毎に変動の(独立な)確率的要因を学習し,潜在空間におけるシステム入力の効果を分離する。
このアプローチは、新しい入力の組み合わせ(あるいは摂動)のための時系列データの生成を制御することによって、アクション可能なモデリングを提供する。
さらに,不確実性を定量化するための柔軟な手法を提案する。
生体データセットに挑戦する実験結果は、観測データの制御された生成における競合ベースラインよりも一貫した改善と、生物学的に有意義なシステム入力の予測を示す。
関連論文リスト
- Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。
我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。
当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文 参考訳（メタデータ） (2024-11-04T11:09:58Z) - Deep Generative Modeling for Identification of Noisy, Non-Stationary Dynamical Systems [3.1484174280822845]
非線形・雑音・非自律力学系に対する擬似常微分方程式(ODE)モデルを求めることに集中する。
提案手法は,SINDyとSINDy(非線形力学のスパース同定)を結合し,スパースODEの時間変化係数をモデル化する。
論文 参考訳（メタデータ） (2024-10-02T23:00:00Z) - Probabilistic Decomposed Linear Dynamical Systems for Robust Discovery of Latent Neural Dynamics [5.841659874892801]
時間変化線形状態空間モデルは、ニューラルネットワークの数学的解釈可能な表現を得るための強力なツールである。
潜在変数推定のための既存の手法は、動的ノイズやシステムの非線形性に対して堅牢ではない。
本稿では,動的雑音に対するロバスト性を改善するために,分解モデルにおける潜在変数推定に対する確率的アプローチを提案する。
論文 参考訳（メタデータ） (2024-08-29T18:58:39Z) - 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) - InVAErt networks: a data-driven framework for model synthesis and
identifiability analysis [0.0]
inVAErtは物理システムのデータ駆動分析と合成のためのフレームワークである。
これは、前方および逆写像を表す決定論的デコーダ、系の出力の確率分布を捉える正規化フロー、入力と出力の間の単射性の欠如についてコンパクトな潜在表現を学ぶ変分エンコーダを使用する。
論文 参考訳（メタデータ） (2023-07-24T07:58:18Z) - 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) - 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) - Using scientific machine learning for experimental bifurcation analysis
of dynamic systems [2.204918347869259]
本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。
数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。
ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
論文 参考訳（メタデータ） (2021-10-22T15:43:03Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。
そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。
本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文 参考訳（メタデータ） (2020-06-18T04:54:11Z)
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。