Fugu-MT 論文翻訳(概要): Learning Time Delay Systems with Neural Ordinary Differential Equations

論文の概要: Learning Time Delay Systems with Neural Ordinary Differential Equations

arxiv url: http://arxiv.org/abs/2206.14288v1
Date: Tue, 28 Jun 2022 20:59:44 GMT
ステータス: 処理完了
システム内更新日: 2022-07-01 05:56:44.923046
Title: Learning Time Delay Systems with Neural Ordinary Differential Equations
Title（参考訳）: 神経常微分方程式を用いた学習時間遅延システム
Authors: Xunbi A. Ji and Gabor Orosz
Abstract要約: トレーニング可能な遅延を持つニューラルネットワークを用いて遅延微分方程式を近似する。カオス的な振る舞いからのデータを用いて、マッキーグラス方程式の力学を学習する例を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A novel way of using neural networks to learn the dynamics of time delay systems from sequential data is proposed. A neural network with trainable delays is used to approximate the right hand side of a delay differential equation. We relate the delay differential equation to an ordinary differential equation by discretizing the time history and train the corresponding neural ordinary differential equation (NODE) to learn the dynamics. An example on learning the dynamics of the Mackey-Glass equation using data from chaotic behavior is given. After learning both the nonlinearity and the time delay, we demonstrate that the bifurcation diagram of the neural network matches that of the original system.
Abstract（参考訳）: 時系列データから時間遅延システムのダイナミクスを学ぶために,ニューラルネットワークを用いた新しい手法を提案する。学習可能な遅延を有するニューラルネットワークは、遅延微分方程式の右手側を近似するために使用される。時間履歴を離散化することで遅延微分方程式を常微分方程式に関連付け、対応する神経常微分方程式(ノード)を訓練してダイナミクスを学ぶ。カオス的挙動からのデータを用いたマッキーグラス方程式のダイナミクスの学習例を示す。非線形性と時間遅延の両方を学習した後、ニューラルネットワークの分岐図が元のシステムと一致することを実証する。

関連論文リスト

A Deep Neural Network Framework for Solving Forward and Inverse Problems in Delay Differential Equations [12.888147363070749]
ディープニューラルネットワーク(DNN)に基づく遅延微分方程式(DDE)の統合フレームワークを提案する。このフレームワークは、DDEの多様な要件を満たすために遅延微分方程式をニューラルネットワークに埋め込むことができる。逆問題に対処する際、NDDEフレームワークは観測データを利用して単一の遅延パラメータや複数の遅延パラメータを正確に推定することができる。
論文参考訳（メタデータ） (2024-08-17T13:41:34Z)
Learning the Delay Using Neural Delay Differential Equations [0.5505013339790825]
遅延微分方程式(DDE)に基づく連続時間ニューラルネットワークアプローチを開発する。我々のモデルは随伴感度法を用いてモデルパラメータを学習し、データから直接遅延する。我々は今後の方向性と応用について議論をまとめる。
論文参考訳（メタデータ） (2023-04-03T19:50:36Z)
Neural Laplace: Learning diverse classes of differential equations in the Laplace domain [86.52703093858631]
本稿では,これらすべてを含む多種多様な微分方程式(DE)を学習するための統一的な枠組みを提案する。時間領域の力学をモデル化する代わりに、ラプラス領域でモデル化する。 The experiment, Neural Laplace shows excellent performance in modelling and extrapolating the trajectories of various class of DEs。
論文参考訳（メタデータ） (2022-06-10T02:14:59Z)
On the balance between the training time and interpretability of neural ODE for time series modelling [77.34726150561087]
本稿は,現代のニューラルODEを,時系列モデリングアプリケーションのためのより単純なモデルに還元することはできないことを示す。ニューラルODEの複雑さは、従来の時系列モデリングツールと比較されるか、超える。本稿では,ニューラルネットワークとODEシステムを用いた時系列モデリングの新しい視点を提案する。
論文参考訳（メタデータ） (2022-06-07T13:49:40Z)
Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文参考訳（メタデータ） (2022-02-24T20:46:52Z)
On Neural Differential Equations [13.503274710499971]
特に、ニューラル微分方程式(NDE)は、ニューラルネットワークと微分方程式が同じコインの両側であることを示す。 NDEは生成問題、動的システム、時系列を扱うのに適している。 NDEは高容量関数近似、モデル空間への強い先行性、不規則なデータを扱う能力、メモリ効率、そして両サイドで利用可能な豊富な理論を提供する。
論文参考訳（メタデータ） (2022-02-04T23:32:29Z)
Time-Reversal Symmetric ODE Network [138.02741983098454]
時間反転対称性は古典力学や量子力学においてしばしば保持される基本的な性質である。本稿では,通常の微分方程式(ODE)ネットワークがこの時間反転対称性にどの程度よく適合しているかを測定する新しい損失関数を提案する。時間反転対称性を完全に持たないシステムであっても, TRS-ODEN はベースラインよりも優れた予測性能が得られることを示す。
論文参考訳（メタデータ） (2020-07-22T12:19:40Z)
Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文参考訳（メタデータ） (2020-06-08T09:53:35Z)
Finite Difference Neural Networks: Fast Prediction of Partial Differential Equations [5.575293536755126]
データから偏微分方程式を学習するための新しいニューラルネットワークフレームワークである有限差分ニューラルネットワーク(FDNet)を提案する。具体的には、トラジェクトリデータから基礎となる偏微分方程式を学習するために提案した有限差分ネットワークを設計する。
論文参考訳（メタデータ） (2020-06-02T19:17:58Z)
Time Dependence in Non-Autonomous Neural ODEs [74.78386661760662]
時変重みを持つニューラルODEの新しいファミリーを提案する。我々は、速度と表現能力の両面で、従来のニューラルODEの変形よりも優れていた。
論文参考訳（メタデータ） (2020-05-05T01:41:46Z)

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。