論文の概要: Parameter-varying neural ordinary differential equations with
partition-of-unity networks
- arxiv url: http://arxiv.org/abs/2210.00368v1
- Date: Sat, 1 Oct 2022 20:48:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 16:17:17.867034
- Title: Parameter-varying neural ordinary differential equations with
partition-of-unity networks
- Title（参考訳）: ネットワーク分割を伴うパラメータ可変ニューラル常微分方程式
- Authors: Kookjin Lee and Nathaniel Trask
- Abstract要約: 本稿では,モデルパラメータの進化を一様ネットワーク(POUNets)で表すニューラル常微分方程式(NODEs)を提案する。
提案したNODEの変種は、POUNetsで合成され、空間のメッシュフリーパーティションを学習し、各パーティションに関連付けられたスイッチセットを用いてODEパラメータの進化を表現する。
本研究では,(1)ハイブリッドシステムのデータ駆動動的モデリング,(2)線形力学系,(3)外部強制力の異なる動的システムの潜在力学の3つの重要な課題に対して提案手法の有効性を実証する。
- 参考スコア（独自算出の注目度）: 5.885020100736158
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this study, we propose parameter-varying neural ordinary differential
equations (NODEs) where the evolution of model parameters is represented by
partition-of-unity networks (POUNets), a mixture of experts architecture. The
proposed variant of NODEs, synthesized with POUNets, learn a meshfree partition
of space and represent the evolution of ODE parameters using sets of
polynomials associated to each partition. We demonstrate the effectiveness of
the proposed method for three important tasks: data-driven dynamics modeling of
(1) hybrid systems, (2) switching linear dynamical systems, and (3) latent
dynamics for dynamical systems with varying external forcing.
- Abstract（参考訳）: 本研究では,パラメータ変化型ニューラル常微分方程式(NODE)を提案する。モデルパラメータの進化は,エキスパートアーキテクチャの混合である分割・オブ・ユニティネットワーク(POUNets)によって表現される。
提案したNODEの変種は、POUNetsで合成され、空間のメッシュフリーパーティションを学び、各パーティションに関連付けられた多項式の集合を用いてODEパラメータの進化を表現する。
本稿では,(1)ハイブリッドシステムのデータ駆動力学モデリング,(2)線形力学系の切替,(3)外部強制力の異なる動的系の潜時力学の3つの重要な課題に対して提案手法の有効性を実証する。
関連論文リスト
- Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文 参考訳（メタデータ） (2024-09-05T18:14:22Z) - Neural Differential Algebraic Equations [6.100037457394823]
微分代数方程式(DAE)のデータ駆動モデリングに適したニューラル微分代数方程式(NDAE)を提案する。
提案したNDAEs抽象化は、関連するシステム理論データ駆動モデリングタスクに適していることを示す。
論文 参考訳（メタデータ） (2024-03-19T17:43:57Z) - Data-Driven Model Selections of Second-Order Particle Dynamics via
Integrating Gaussian Processes with Low-Dimensional Interacting Structures [0.9821874476902972]
我々は、一般の2階粒子モデルにおけるデータ駆動的な発見に焦点を当てる。
本稿では、2つの実世界の魚の動きデータセットのモデリングへの応用について述べる。
論文 参考訳（メタデータ） (2023-11-01T23:45:15Z) - Parameter Identification for Partial Differential Equations with
Spatiotemporal Varying Coefficients [5.373009527854677]
種々の偏微分方程式によって制御される多状態系のパラメータ同定を容易にする枠組みを提案する。
我々のフレームワークは、制約付き自己適応型ニューラルネットワークと、サブネットワーク物理インフォームドニューラルネットワークの2つの統合コンポーネントで構成されている。
我々は,時間変化パラメータを持つ1次元バーガースの場合と空間変化パラメータを持つ2次元波動方程式の2つの数値ケースにおいて,本フレームワークの有効性を実証した。
論文 参考訳（メタデータ） (2023-06-30T07:17:19Z) - Pseudo-Hamiltonian neural networks for learning partial differential
equations [0.0]
Pseudo-Hamiltonian Neural Network (PHNN)は、最近、通常の微分方程式でモデル化できる力学系を学ぶために導入された。
本稿では,この手法を偏微分方程式に拡張する。
得られたモデルは、保存、散逸、外部力を表す用語をモデル化する最大3つのニューラルネットワークと、学習または入力として与えられる個別の畳み込み演算子から構成される。
論文 参考訳（メタデータ） (2023-04-27T17:46:00Z) - 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) - Neural Operator with Regularity Structure for Modeling Dynamics Driven
by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。
本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。
動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文 参考訳（メタデータ） (2022-04-13T08:53:41Z) - 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) - 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) - Continuous Convolutional Neural Networks: Coupled Neural PDE and ODE [1.1897857181479061]
本研究では、物理システムの隠れた力学を学習できる畳み込みニューラルネットワーク(CNN)の変種を提案する。
画像や時系列などの物理系を複数の層からなるシステムとして考えるのではなく、微分方程式(DE)の形でシステムをモデル化することができる。
論文 参考訳（メタデータ） (2021-10-30T21:45:00Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z)
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。