Fugu-MT 論文翻訳(概要): Online Estimation of the Koopman Operator Using Fourier Features

論文の概要: Online Estimation of the Koopman Operator Using Fourier Features

arxiv url: http://arxiv.org/abs/2212.01503v2
Date: Fri, 11 Aug 2023 21:57:07 GMT
ステータス: 処理完了
システム内更新日: 2023-08-15 22:57:25.694952
Title: Online Estimation of the Koopman Operator Using Fourier Features
Title（参考訳）: フーリエ特徴量を用いたクープマン演算子のオンライン推定
Authors: Tahiya Salam, Alice Kate Li, M. Ani Hsieh
Abstract要約: 我々は,観測可能量とクープマン演算子をオンラインデータで共同学習するための最適化スキームを提供する。以上の結果から、複雑な力学系の進化を再構築し、グローバルな特徴を表現できることが示唆された。
参考スコア（独自算出の注目度）: 9.422860826278788
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Transfer operators offer linear representations and global, physically meaningful features of nonlinear dynamical systems. Discovering transfer operators, such as the Koopman operator, require careful crafted dictionaries of observables, acting on states of the dynamical system. This is ad hoc and requires the full dataset for evaluation. In this paper, we offer an optimization scheme to allow joint learning of the observables and Koopman operator with online data. Our results show we are able to reconstruct the evolution and represent the global features of complex dynamical systems.
Abstract（参考訳）: 転送作用素は非線形力学系の線形表現と大域的、物理的に意味のある特徴を提供する。クープマン作用素のような転送演算子の発見には、動的系の状態に作用する可観測性の注意深く作られた辞書が必要である。これはアドホックで、評価には完全なデータセットが必要です。本稿では,観測者とクープマン演算子をオンラインデータで共同学習するための最適化手法を提案する。以上の結果から,複雑な力学系の大域的特徴を再現し,進化を表現できることを示した。

関連論文リスト

Dynamical systems and complex networks: A Koopman operator perspective [0.9714447724811842]
クープマン・オペレーターはここ数年、多くの研究分野に参入してきた。無限ネットワークによる非線形系を表現するという概念がラプラシアンにどのように変換されるかを示す。
論文参考訳（メタデータ） (2024-05-14T20:10:32Z)
Multiplicative Dynamic Mode Decomposition [4.028503203417233]
有限次元近似においてクープマン作用素に固有の乗法構造を強制する乗法動的モード分解(MultDMD)を導入する。 MultDMDは有限次元近似に対する構造化されたアプローチを示し、クープマン作用素のスペクトル特性を正確に反映することができる。我々は,MultDMDの理論的枠組みについて詳述し,その定式化,最適化戦略,収束特性について詳述する。
論文参考訳（メタデータ） (2024-05-08T18:09:16Z)
Koopman operator learning using invertible neural networks [0.6846628460229516]
クープマン作用素論において、有限次元非線形系は可観測関数の集合を用いて無限だが線型系に変換される。現在の方法論は可観測関数の可逆性の重要性を無視し、不正確な結果をもたらす傾向にある。本稿では,CF-INN(Coupling Flow Invertible Neural Network)フレームワークを利用したフローベース動的モード分解(FlowDMD)を提案する。
論文参考訳（メタデータ） (2023-06-30T04:26:46Z)
ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
論文参考訳（メタデータ） (2023-06-16T21:51:04Z)
Leveraging Neural Koopman Operators to Learn Continuous Representations of Dynamical Systems from Scarce Data [0.0]
我々は、本質的に連続的な方法でダイナミクスを表現する新しいディープ・クープマン・フレームワークを提案する。このフレームワークは、限られたトレーニングデータのパフォーマンスを向上させる。
論文参考訳（メタデータ） (2023-03-13T10:16:19Z)
Beyond Transfer Learning: Co-finetuning for Action Localisation [64.07196901012153]
同時に、複数のアップストリームとダウンストリームのタスクで1つのモデルをトレーニングする。共ファインタニングは、同じデータ量を使用する場合、従来のトランスファーラーニングよりも優れていることを示す。さらに、複数のアップストリームデータセットへのアプローチを簡単に拡張して、パフォーマンスをさらに向上する方法も示しています。
論文参考訳（メタデータ） (2022-07-08T10:25:47Z)
Learning Dynamical Systems via Koopman Operator Regression in Reproducing Kernel Hilbert Spaces [52.35063796758121]
動的システムの有限データ軌跡からクープマン作用素を学ぶためのフレームワークを定式化する。リスクとクープマン作用素のスペクトル分解の推定を関連付ける。以上の結果から,RRRは他の広く用いられている推定値よりも有益である可能性が示唆された。
論文参考訳（メタデータ） (2022-05-27T14:57:48Z)
Dynamic Inference with Neural Interpreters [72.90231306252007]
本稿では,モジュールシステムとしての自己アテンションネットワークにおける推論を分解するアーキテクチャであるNeural Interpretersを提案する。モデルへの入力は、エンドツーエンドの学習方法で一連の関数を通してルーティングされる。ニューラル・インタープリタは、より少ないパラメータを用いて視覚変換器と同等に動作し、サンプル効率で新しいタスクに転送可能であることを示す。
論文参考訳（メタデータ） (2021-10-12T23:22:45Z)
Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文参考訳（メタデータ） (2021-09-06T04:39:06Z)
Extraction of Discrete Spectra Modes from Video Data Using a Deep Convolutional Koopman Network [0.0]
クープマン理論の最近の深層学習拡張は、非線形力学系のコンパクトで解釈可能な表現を可能にした。ディープ・クープマン・ネットワークはコープマン固有関数を学習し、座標変換を捉え、システムダイナミクスを大域的に線形化する。離散スペクトルを持つ力学系における独立モードの自動同定における深い畳み込みクープマンネットワーク(CKN)の機能を示す。
論文参考訳（メタデータ） (2020-10-19T06:26:29Z)
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)

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。