論文の概要: Swarm Modelling with Dynamic Mode Decomposition

• arxiv url: http://arxiv.org/abs/2204.06335v1
• Date: Fri, 8 Apr 2022 23:39:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-17 21:10:31.906685
• Title: Swarm Modelling with Dynamic Mode Decomposition
• Title（参考訳）: 動的モード分解によるSwarmモデリング
• Authors: Emma Hansen, Steven L. Brunton, Zhuoyuan Song
• Abstract要約: 観測データを用いて,同種群群間の局所的相互作用を学習するために,純粋にデータ駆動方式を適用した。 目標は、SwarmDMDを使用して観察されたSwarm動作を引き起こすエージェント間相互作用を学習することである。 提案手法は, 生物学, 物理学, 工学におけるマルチエージェントシステムの研究に有用であると考えられる。
• 参考スコア（独自算出の注目度）: 1.9459588807364006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modelling biological or engineering swarms is challenging due to the inherently high dimension of the system, despite the often low-dimensional emergent dynamics. Most existing swarm modelling approaches are based on first principles and often result in swarm-specific parameterizations that do not generalize to a broad range of applications. In this work, we apply a purely data-driven method to (1) learn local interactions of homogeneous swarms through observation data and to (2) generate similar swarming behaviour using the learned model. In particular, a modified version of dynamic mode decomposition with control, called swarmDMD, is developed and tested on the canonical Vicsek swarm model. The goal is to use swarmDMD to learn inter-agent interactions that give rise to the observed swarm behaviour. We show that swarmDMD can faithfully reconstruct the swarm dynamics, and the model learned by swarmDMD provides a short prediction window for data extrapolation with a trade-off between prediction accuracy and prediction horizon. We also provide a comprehensive analysis on the efficacy of different observation data types on the modelling, where we find that inter-agent distance yields the most accurate models. We believe the proposed swarmDMD approach will be useful for studying multi-agent systems found in biology, physics, and engineering.
• Abstract（参考訳）: 生物学的または工学的な群れのモデリングは、しばしば低次元の創発的ダイナミクスにもかかわらず、本質的に高次元のシステムのため困難である。 ほとんどの既存のSwarmモデリングアプローチは第一原理に基づいており、多くの場合、幅広いアプリケーションに一般化しないSwarm固有のパラメータ化をもたらす。 本研究では,(1)観測データを通して均質群群の局所的相互作用を学習し,(2)学習モデルを用いて同様のスワーミング行動を生成するために,純粋データ駆動手法を適用した。 特に、swarmdmdと呼ばれる制御付き動的モード分解の修正バージョンが、標準のvicsek swarmモデル上で開発され、テストされている。 目標は、SwarmDMDを使用して観察されたSwarm動作を引き起こすエージェント間相互作用を学習することである。 SwarmDMDはSwarmのダイナミクスを忠実に再構築できることを示し、SwarmDMDが学習したモデルは、予測精度と予測水平線のトレードオフを伴うデータ外挿のための短い予測窓を提供する。 また,モデル上で異なる観測データ型の有効性に関する包括的分析を行い,エージェント間距離が最も正確なモデルとなることを見出した。 提案手法は, 生物学, 物理学, 工学におけるマルチエージェントシステムの研究に有用であると考えられる。

関連論文リスト

• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• Nonlinear System Identification of Swarm of UAVs Using Deep Learning Methods [0.0]
  目的は,Swarmモデルの非線形ダイナミクスを正確に近似することにより,将来のSwarm軌道を予測することである。 その結果,ニューラルODEと過渡的データを用いたよく訓練されたモデルの組み合わせは,初期条件の変化に対して堅牢であることがわかった。
  論文  参考訳（メタデータ） (2023-11-21T13:13:12Z)
• Neural Superstatistics for Bayesian Estimation of Dynamic Cognitive Models [2.7391842773173334]
  我々は,時間変化パラメータと時間不変パラメータの両方を復元できるベイズ推論のシミュレーションに基づくディープラーニング手法を開発した。 この結果から,ディープラーニングアプローチは時間的ダイナミクスを捉える上で極めて効率的であることが示唆された。
  論文  参考訳（メタデータ） (2022-11-23T17:42:53Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Unifying Epidemic Models with Mixtures [28.771032745045428]
  新型コロナウイルスのパンデミックは、感染モデルに対する強固な理解の必要性を強調している。 本稿では2つのアプローチをブリッジする単純な混合モデルを提案する。 モデルは非機械的であるが、ネットワーク化されたSIRフレームワークに基づくプロセスの自然な結果として現れることを示す。
  論文  参考訳（メタデータ） (2022-01-07T19:42:05Z)
• Predicting Influential Higher-Order Patterns in Temporal Network Data [2.5782420501870287]
  最大距離までの全経路を考慮に入れながら,より高い距離での経路を無視する多階生成モデルMOGenに基づく8つの集中度尺度を提案する。 我々はMOGenがネットワークモデルとパスベースの予測の両方を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2021-07-26T10:44:46Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)
• Bridging Physics-based and Data-driven modeling for Learning Dynamical Systems [36.04381259949935]
  モデルパラメータを推定するために自動微分を利用した物理モデル学習をAutoODEとして定式化する。 本手法は,7日間の先進的な予測における平均絶対誤差を57.4%削減する。
  論文  参考訳（メタデータ） (2020-11-20T20:16:10Z)

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。