論文の概要: PyDaddy: A Python package for discovering stochastic dynamical equations
from timeseries data
- arxiv url: http://arxiv.org/abs/2205.02645v1
- Date: Thu, 5 May 2022 13:44:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-06 22:23:43.555822
- Title: PyDaddy: A Python package for discovering stochastic dynamical equations
from timeseries data
- Title(参考訳): PyDaddy: 時系列データから確率的動的方程式を発見するPythonパッケージ
- Authors: Arshed Nabeel, Ashwin Karichannavar, Shuaib Palathingal, Jitesh
Jhawar, Danny Raj M, Vishwesha Guttal
- Abstract要約: PyDaddy (Python Library for DAta Driven DYnamics)は、時系列データに基づいて解釈可能なSDEモデルを構築し解析するツールボックスである。
データ駆動型SDE再構成の従来のアプローチと方程式学習のアプローチを組み合わせて、力学を規定する記号方程式を導出する。
魚学校の運動データを用いて,実世界データへのツールキットの適用性を実証する。
- 参考スコア(独自算出の注目度): 0.32622301272834514
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Most real-world ecological dynamics, ranging from ecosystem dynamics to
collective animal movement, are inherently stochastic in nature. Stochastic
differential equations (SDEs) are a popular modelling framework to model
dynamics with intrinsic randomness. Here, we focus on the inverse question: If
one has empirically measured time-series data from some system of interest, is
it possible to discover the SDE model that best describes the data. Here, we
present PyDaddy (PYthon library for DAta Driven DYnamics), a toolbox to
construct and analyze interpretable SDE models based on time-series data. We
combine traditional approaches for data-driven SDE reconstruction with an
equation learning approach, to derive symbolic equations governing the
stochastic dynamics. The toolkit is presented as an open-source Python library,
and consists of tools to construct and analyze SDEs. Functionality is included
for visual examination of the stochastic structure of the data, guided
extraction of the functional form of the SDE, and diagnosis and debugging of
the underlying assumptions and the extracted model. Using simulated time-series
datasets, exhibiting a wide range of dynamics, we show that PyDaddy is able to
correctly identify underlying SDE models. We demonstrate the applicability of
the toolkit to real-world data using a previously published movement data of a
fish school. Starting from the time-series of the observed polarization of the
school, pyDaddy readily discovers the SDE model governing the dynamics of group
polarization. The model recovered by PyDaddy is consistent with the previous
study. In summary, stochastic and noise-induced effects are central to the
dynamics of many biological systems. In this context, we present an easy-to-use
package to reconstruct SDEs from timeseries data.
- Abstract(参考訳): 生態系のダイナミクスから集合動物運動まで、ほとんどの現実世界の生態力学は本質的に確率的である。
確率微分方程式(SDE)は、固有ランダム性を持つ力学をモデル化するための一般的なモデリングフレームワークである。
ここでは、ある興味あるシステムから経験的に測定された時系列データがある場合、データを最もよく記述するSDEモデルを見つけることは可能か、という逆問題に焦点をあてる。
本稿では,時系列データに基づく解釈可能なSDEモデルの構築と解析を行うツールボックスであるPyDaddy(DAta Driven DYnamics用Pythonライブラリ)について述べる。
データ駆動型SDE再構成の従来のアプローチと方程式学習のアプローチを組み合わせて、確率力学を規定する記号方程式を導出する。
ツールキットはオープンソースのPythonライブラリとして提示され、SDEの構築と分析のためのツールで構成されている。
機能は、データの確率構造を視覚的に調べ、SDEの機能形式をガイドした抽出、基礎となる仮定と抽出されたモデルの診断とデバッギングに含まれる。
シミュレーションされた時系列データセットを用いて、幅広いダイナミックスを示すことにより、PyDaddyは基礎となるSDEモデルを正しく識別できることを示す。
本研究では,魚学校の運動データを用いて,実世界データへのツールキットの適用性を示す。
学校における観察された分極の時系列から始め、pyDaddy はグループ分極のダイナミクスを管理する SDE モデルを容易に発見する。
PyDaddyが回収したモデルは、以前の研究と一致している。
要約すると、確率的およびノイズによる影響は、多くの生物学的システムのダイナミクスの中心である。
本稿では,時系列データからsdesを再構成する簡易パッケージを提案する。
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) - HyperSINDy: Deep Generative Modeling of Nonlinear Stochastic Governing
Equations [5.279268784803583]
本稿では,データからのスパース制御方程式の深部生成モデルを用いた動的モデリングフレームワークHyperSINDyを紹介する。
一度訓練すると、HyperSINDyは、係数が白色雑音によって駆動される微分方程式を介して力学を生成する。
実験では、HyperSINDyはデータと一致するように学習度をスケーリングすることで、基底的真理支配方程式を復元する。
論文 参考訳(メタデータ) (2023-10-07T14:41:59Z) - 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) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Learning Sparse Nonlinear Dynamics via Mixed-Integer Optimization [3.7565501074323224]
分散整数最適化 (MIO) を用いたSINDyDy問題の厳密な定式化を提案し, 分散制約付き回帰問題を数秒で証明可能な最適性を求める。
正確なモデル発見における我々のアプローチの劇的な改善について説明するとともに、よりサンプリング効率が高く、ノイズに耐性があり、物理的制約の緩和にも柔軟である。
論文 参考訳(メタデータ) (2022-06-01T01:43:45Z) - 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) - 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) - Learning Human Motion Prediction via Stochastic Differential Equations [19.30774202476477]
本稿では,微分方程式と経路積分に基づく動き予測問題をモデル化する新しい手法を提案する。
平均して12.48%の精度向上を実現している。
論文 参考訳(メタデータ) (2021-12-21T11:55:13Z) - Variational Hyper RNN for Sequence Modeling [69.0659591456772]
本稿では,時系列データにおける高変数の取得に優れる新しい確率的シーケンスモデルを提案する。
提案手法では,時間潜時変数を用いて基礎となるデータパターンに関する情報をキャプチャする。
提案手法の有効性を,合成および実世界のシーケンシャルデータに示す。
論文 参考訳(メタデータ) (2020-02-24T19:30:32Z) - Learning Stochastic Behaviour from Aggregate Data [52.012857267317784]
集約データから非線形ダイナミクスを学習することは、各個人の完全な軌道が利用できないため、難しい問題である。
本稿では,Fokker Planck Equation (FPE) の弱い形式を用いて,サンプル形式のデータの密度変化を記述する手法を提案する。
このようなサンプルベースのフレームワークでは、偏微分方程式(PDE)FPEを明示的に解くことなく、集約データから非線形ダイナミクスを学習することができる。
論文 参考訳(メタデータ) (2020-02-10T03:20:13Z) - Data-Driven Discovery of Coarse-Grained Equations [0.0]
マルチスケールモデリングとシミュレーションは、シミュレーションデータの学習がそのような発見につながる2つの分野である。
我々は、そのようなモデルの人間の発見を、2つのモードで実行できるスパース回帰に基づく機械学習戦略に置き換える。
一連の例は、方程式発見に対する我々のアプローチの正確性、堅牢性、限界を示している。
論文 参考訳(メタデータ) (2020-01-30T23:41:37Z)
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。