Fugu-MT 論文翻訳(概要): VPNets: Volume-preserving neural networks for learning source-free dynamics

論文の概要: VPNets: Volume-preserving neural networks for learning source-free dynamics

arxiv url: http://arxiv.org/abs/2204.13843v1
Date: Fri, 29 Apr 2022 01:36:55 GMT
ステータス: 処理完了
システム内更新日: 2022-05-02 14:35:02.397336
Title: VPNets: Volume-preserving neural networks for learning source-free dynamics
Title（参考訳）: vpnets: ソースフリーダイナミクス学習のためのボリューム保存ニューラルネットワーク
Authors: Aiqing Zhu, Beibei Zhu, Jiawei Zhang, Yifa Tang, Jian Liu
Abstract要約: 本研究では,未知のソースレス力学系を学習するためのボリューム保存ネットワーク(VPNet)を提案する。提案モデルの特徴は,本質的な容積保存である点である。対応する近似定理が証明され、理論的には提案されたVPNセットの表現性を保証する。
参考スコア（独自算出の注目度）: 10.178416598270427
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose volume-preserving networks (VPNets) for learning unknown source-free dynamical systems using trajectory data. We propose three modules and combine them to obtain two network architectures, coined R-VPNet and LA-VPNet. The distinct feature of the proposed models is that they are intrinsic volume-preserving. In addition, the corresponding approximation theorems are proved, which theoretically guarantee the expressivity of the proposed VPNets to learn source-free dynamics. The effectiveness, generalization ability and structure-preserving property of the VP-Nets are demonstrated by numerical experiments.
Abstract（参考訳）: トラジェクトリデータを用いて未知のソースレス力学系を学習するためのボリューム保存ネットワーク(VPNet)を提案する。 R-VPNet と LA-VPNet という2つのネットワークアーキテクチャを実現するために,我々は3つのモジュールを提案している。提案モデルの特徴は,本質的な容積保存である点である。さらに、対応する近似定理が証明され、提案したVPNセットの表現性を理論的に保証し、ソースフリーダイナミクスを学習する。数値実験により,VP-Netの有効性,一般化能力,構造保存特性を実証した。

関連論文リスト

Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文参考訳（メタデータ） (2023-12-03T13:50:24Z)
OS-net: Orbitally Stable Neural Networks [0.0]
我々は,周期的動的データに特化して設計されたニューラルネットワークアーキテクチャの新たなファミリであるOS-netを紹介する。ネットワーク重みの条件を導出し、結果のダイナミクスの安定性を確保する。我々は,OS-netを応用して,R"ossler"と"Sprott"のシステムの基盤となるダイナミクスを発見することによって,我々のアプローチの有効性を実証する。
論文参考訳（メタデータ） (2023-09-26T10:40:04Z)
ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2023-02-11T21:07:30Z)
Simple initialization and parametrization of sinusoidal networks via their kernel bandwidth [92.25666446274188]
従来の活性化機能を持つネットワークの代替として、活性化を伴う正弦波ニューラルネットワークが提案されている。まず,このような正弦波ニューラルネットワークの簡易版を提案する。次に、ニューラルタンジェントカーネルの観点からこれらのネットワークの挙動を分析し、そのカーネルが調整可能な帯域幅を持つ低域フィルタを近似することを実証する。
論文参考訳（メタデータ） (2022-11-26T07:41:48Z)
Vanilla Feedforward Neural Networks as a Discretization of Dynamical Systems [9.382423715831687]
本稿では,従来のネットワーク構造に戻り,バニラフィードフォワードネットワークが動的システムの数値的な離散化であることを示す。我々の結果は、フィードフォワードニューラルネットワークの近似特性を理解するための新しい視点を提供することができる。
論文参考訳（メタデータ） (2022-09-22T10:32:08Z)
Robust Training and Verification of Implicit Neural Networks: A Non-Euclidean Contractive Approach [64.23331120621118]
本稿では,暗黙的ニューラルネットワークのトレーニングとロバスト性検証のための理論的および計算的枠組みを提案する。組込みネットワークを導入し、組込みネットワークを用いて、元のネットワークの到達可能な集合の超近似として$ell_infty$-normボックスを提供することを示す。 MNISTデータセット上で暗黙的なニューラルネットワークをトレーニングするためにアルゴリズムを適用し、我々のモデルの堅牢性と、文献における既存のアプローチを通じてトレーニングされたモデルを比較する。
論文参考訳（メタデータ） (2022-08-08T03:13:24Z)
Locally-symplectic neural networks for learning volume-preserving dynamics [0.0]
音量保存力学を学習するための局所シンプレクティックニューラルネットワーク LocSympNets を提案する。 LocSympNets の構成は、体積保存力学系のベクトル場の局所ハミルトン記述の定理に由来する。
論文参考訳（メタデータ） (2021-09-19T15:58:09Z)
Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
論文参考訳（メタデータ） (2021-06-15T09:03:28Z)
PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文参考訳（メタデータ） (2021-03-17T08:28:30Z)
VPNet: Variable Projection Networks [3.3989643515413226]
VPNetは可変投影(VP)に基づく新しいモデル駆動ニューラルネットワークアーキテクチャ VP演算子をニューラルネットワークに適用すると、学習可能な機能、解釈可能なパラメータ、コンパクトなネットワーク構造が得られる。
論文参考訳（メタデータ） (2020-06-28T12:49:28Z)

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。