論文の概要: DLKoopman: A deep learning software package for Koopman theory

• arxiv url: http://arxiv.org/abs/2211.08992v1
• Date: Tue, 15 Nov 2022 18:45:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 17:05:19.995970
• Title: DLKoopman: A deep learning software package for Koopman theory
• Title（参考訳）: DLKoopman:Koopman理論のためのディープラーニングソフトウェアパッケージ
• Authors: Sourya Dey, Eric Davis
• Abstract要約: 我々は、Koopman理論のためのソフトウェアパッケージであるDLKoopmanを紹介する。 ディープラーニングを用いて非線形力学系の線形空間への符号化を学習し、同時に線形力学を学習する。 DLKoopmanは"dlkoopman"としてPython Package Index(PyPI)で利用可能である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present DLKoopman -- a software package for Koopman theory that uses deep learning to learn an encoding of a nonlinear dynamical system into a linear space, while simultaneously learning the linear dynamics. While several previous efforts have either restricted the ability to learn encodings, or been bespoke efforts designed for specific systems, DLKoopman is a generalized tool that can be applied to data-driven learning and optimization of any dynamical system. It can either be trained on data from individual states (snapshots) of a system and used to predict its unknown states, or trained on data from trajectories of a system and used to predict unknown trajectories for new initial states. DLKoopman is available on the Python Package Index (PyPI) as 'dlkoopman', and includes extensive documentation and tutorials. Additional contributions of the package include a novel metric called Average Normalized Absolute Error for evaluating performance, and a ready-to-use hyperparameter search module for improving performance.
• Abstract（参考訳）: 我々は,線形空間への非線形力学系の符号化を学習し,同時に線形力学を学習する,Koopman理論のためのソフトウェアパッケージであるDLKoopmanを提案する。 以前のいくつかの取り組みは、エンコーディングを学習する能力を制限するか、特定のシステム向けに特別に設計されたものであるが、dlkoopmanは、あらゆる動的システムのデータ駆動学習と最適化に応用できる一般化されたツールである。 システムの個々の状態(スナップショット)からのデータに基づいてトレーニングしたり、未知の状態を予測したり、システムの軌道からデータをトレーニングしたり、新しい初期状態の未知の軌道を予測するために使用することができる。 DLKoopmanは'dlkoopman'としてPython Package Index(PyPI)で利用可能であり、豊富なドキュメントとチュートリアルを含んでいる。 このパッケージには、パフォーマンスを評価するための平均正規化絶対誤差と呼ばれる新しいメトリックや、パフォーマンスを改善するための使用可能なハイパーパラメータ探索モジュールが含まれている。

関連論文リスト

• Koopman Learning with Episodic Memory [9.841748637412596]
  我々は,非自律時間列予測のために開発されたクープマン法をエピソードメモリ機構で装備する。 エピソードメモリを用いたクープマン学習の基本的な実装は,合成および実世界のデータの予測において,大幅な改善をもたらすことが判明した。
  論文  参考訳（メタデータ） (2023-11-21T13:59:00Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• PyKoopman: A Python Package for Data-Driven Approximation of the Koopman Operator [4.069849286089743]
  PyKoopmanは、動的システムに関連するKoopman演算子のデータ駆動近似のためのPythonパッケージである。 特にPyKoopmanは、非力システムとアクティベートシステムのデータ駆動システム識別のためのツールを提供している。
  論文  参考訳（メタデータ） (2023-06-22T16:55:01Z)
• KoopmanizingFlows: Diffeomorphically Learning Stable Koopman Operators [7.447933533434023]
  本稿では,線形時間不変(LTI)モデルを構築するための新しいフレームワークを提案する。 事前に定義された関数のライブラリやスペクトルを知ることなく、クープマン作用素の特徴を学習する。 本稿では,LASA手書きデータセットにおける最先端手法と比較して,提案手法の優れた有効性を示す。
  論文  参考訳（メタデータ） (2021-12-08T02:40:40Z)
• Deep Identification of Nonlinear Systems in Koopman Form [0.0]
  本論文では,クープマンに基づく深部状態空間エンコーダを用いた非線形力学系の同定について述べる。 揚力モデル構造には入力-アフィンの定式化が考慮され, 完全状態と部分状態の両方に対処する。
  論文  参考訳（メタデータ） (2021-10-06T08:50:56Z)
• Stochastic Adversarial Koopman Model for Dynamical Systems [0.4061135251278187]
  本稿では、最近開発された逆コオプマンモデルを拡張し、コオプマンがエンコーダの潜在符号化の確率に適用する。 クープマンモデルの有効性はカオス, 流体力学, 燃焼, 反応拡散モデルにおいて異なる試験問題で示される。
  論文  参考訳（メタデータ） (2021-09-10T20:17:44Z)
• Efficient Nearest Neighbor Language Models [114.40866461741795]
  非パラメトリックニューラルネットワークモデル(NLM)は、外部データストアを用いてテキストの予測分布を学習する。 比較性能を維持しながら、推論速度の最大6倍の高速化を実現する方法を示す。
  論文  参考訳（メタデータ） (2021-09-09T12:32:28Z)
• Estimating Koopman operators for nonlinear dynamical systems: a nonparametric approach [77.77696851397539]
  Koopman演算子は非線形系の線形記述を可能にする数学的ツールである。 本稿では,その核となる部分を同一フレームワークのデュアルバージョンとして捉え,それらをカーネルフレームワークに組み込む。 カーネルメソッドとKoopman演算子との強力なリンクを確立し、Kernel関数を通じて後者を推定する。
  論文  参考訳（メタデータ） (2021-03-25T11:08:26Z)
• Meta-Learning for Koopman Spectral Analysis with Short Time-series [49.41640137945938]
  既存の手法では、ニューラルネットワークのトレーニングに長い時間を要する。 本稿では,未知の短い時系列から埋め込み関数を推定するメタラーニング手法を提案する。 提案手法は,固有値推定と将来予測の観点から,よりよい性能を実現することを実験的に実証した。
  論文  参考訳（メタデータ） (2021-02-09T07:19:19Z)
• Applications of Koopman Mode Analysis to Neural Networks [52.77024349608834]
  我々は,ニューラルネットワークのトレーニング過程を,高次元の重み空間に作用する力学系と考える。 アーキテクチャに必要なレイヤ数を決定するために、Koopmanスペクトルをどのように利用できるかを示す。 また、Koopmanモードを使えば、ネットワークを選択的にプーンしてトレーニング手順を高速化できることを示す。
  論文  参考訳（メタデータ） (2020-06-21T11:00:04Z)
• Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
  クープマン理論に関連する新しい物理学に基づく手法が導入された。 本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。 このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
  論文  参考訳（メタデータ） (2020-03-04T18:24:30Z)

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。