論文の概要: Action Matching: Learning Stochastic Dynamics from Samples
- arxiv url: http://arxiv.org/abs/2210.06662v3
- Date: Thu, 8 Jun 2023 23:30:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-12 18:14:58.083183
- Title: Action Matching: Learning Stochastic Dynamics from Samples
- Title（参考訳）: アクションマッチング: サンプルからの確率的ダイナミクスの学習
- Authors: Kirill Neklyudov, Rob Brekelmans, Daniel Severo, Alireza Makhzani
- Abstract要約: アクションマッチング(Action Matching)は、時間進化から独立したサンプルのみを使用して、リッチなダイナミクスのファミリーを学ぶ方法である。
我々は、基礎となる力学に関する明示的な仮定を頼らずに、抽出可能な訓練目標を導出する。
最適輸送との接続にインスパイアされ、確率質量の生成と破壊を含む微分方程式や力学を学ぶためにアクションマッチングの拡張を導出する。
- 参考スコア（独自算出の注目度）: 10.46643972142224
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning the continuous dynamics of a system from snapshots of its temporal
marginals is a problem which appears throughout natural sciences and machine
learning, including in quantum systems, single-cell biological data, and
generative modeling. In these settings, we assume access to cross-sectional
samples that are uncorrelated over time, rather than full trajectories of
samples. In order to better understand the systems under observation, we would
like to learn a model of the underlying process that allows us to propagate
samples in time and thereby simulate entire individual trajectories. In this
work, we propose Action Matching, a method for learning a rich family of
dynamics using only independent samples from its time evolution. We derive a
tractable training objective, which does not rely on explicit assumptions about
the underlying dynamics and does not require back-propagation through
differential equations or optimal transport solvers. Inspired by connections
with optimal transport, we derive extensions of Action Matching to learn
stochastic differential equations and dynamics involving creation and
destruction of probability mass. Finally, we showcase applications of Action
Matching by achieving competitive performance in a diverse set of experiments
from biology, physics, and generative modeling.
- Abstract（参考訳）: 時間境界のスナップショットからシステムの連続的なダイナミクスを学習することは、量子システム、単一セル生物学的データ、生成モデリングを含む、自然科学や機械学習を通じて発生する問題である。
これらの設定では、サンプルの完全な軌道ではなく、時間とともに相関しない横断的なサンプルへのアクセスを想定する。
観測中のシステムをよりよく理解するために、サンプルを時間内に伝播させ、それによって個々の軌道全体をシミュレートできる基盤となるプロセスのモデルを学びたい。
本研究では、時間進化から独立したサンプルのみを用いて、リッチな動的ファミリーの学習方法であるアクションマッチングを提案する。
これは基礎となる力学についての明確な仮定に依存しず、微分方程式や最適輸送解法によるバックプロパゲーションを必要としない。
最適輸送との接続にインスパイアされ、確率質量の生成と破壊を含む確率微分方程式と力学を学ぶために、アクションマッチングの拡張を導出する。
最後に, 生物学, 物理, 生成モデリングの多様な実験セットにおいて, 競争性能の達成によるアクションマッチングの適用例を示す。
関連論文リスト
- Neural Persistence Dynamics [8.197801260302642]
時間発展する点雲のトポロジにおける力学を学習する問題を考察する。
提案したモデル - $textitNeural Persistence Dynamics$ - は、パラメータ回帰タスクの多種多様なセットで最先端のパフォーマンスを大幅に上回る。
論文 参考訳（メタデータ） (2024-05-24T17:20:18Z) - A Mathematical Model of the Hidden Feedback Loop Effect in Machine Learning Systems [44.99833362998488]
意図しない隠れフィードバックループに起因するいくつかの現象を共同で記述するために,繰り返し学習プロセスを導入する。
このような繰り返し学習設定の特徴は、環境の状態が時間とともに学習者自身に因果的に依存することである。
本稿では,繰り返し学習過程の力学系モデルを提案し,正および負のフィードバックループモードに対する確率分布の制限セットを証明した。
論文 参考訳（メタデータ） (2024-05-04T17:57:24Z) - Micro-Macro Consistency in Multiscale Modeling: Score-Based Model
Assisted Sampling of Fast/Slow Dynamical Systems [0.0]
物理に基づくマルチ時間動的システムの研究において,サンプリングの高度化のための技術が開発されている。
機械学習の分野では、生成モデルの一般的な目標は、この密度から経験的なサンプルをトレーニングした後、ターゲット密度からサンプリングすることである。
本研究では,SGMをこのような結合フレームワークで利用することにより,マルチスケールな動的システムにおけるサンプリングを改善することができることを示す。
論文 参考訳（メタデータ） (2023-12-10T00:46:37Z) - 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) - Inverse Dynamics Pretraining Learns Good Representations for Multitask
Imitation [66.86987509942607]
このようなパラダイムを模倣学習でどのように行うべきかを評価する。
本稿では,事前学習コーパスがマルチタスクのデモンストレーションから成り立つ環境について考察する。
逆動力学モデリングはこの設定に適していると主張する。
論文 参考訳（メタデータ） (2023-05-26T14:40:46Z) - Learning Interacting Dynamical Systems with Latent Gaussian Process ODEs [13.436770170612295]
本研究では,対話対象の連続時間力学の不確実性を考慮したモデリングを初めて行った。
我々のモデルは、独立力学と信頼性のある不確実性推定との相互作用の両方を推測する。
論文 参考訳（メタデータ） (2022-05-24T08:36:25Z) - 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) - Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。
本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文 参考訳（メタデータ） (2022-02-17T07:56:46Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - 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)
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。