論文の概要: Random Feature Models for Learning Interacting Dynamical Systems
- arxiv url: http://arxiv.org/abs/2212.05591v1
- Date: Sun, 11 Dec 2022 20:09:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 15:53:45.654045
- Title: Random Feature Models for Learning Interacting Dynamical Systems
- Title（参考訳）: 相互作用系の学習のためのランダム特徴モデル
- Authors: Yuxuan Liu, Scott G. McCalla, Hayden Schaeffer
- Abstract要約: エージェントの経路のノイズ観測から直接相互作用力のデータに基づく近似を構築することの問題点を考察する。
学習された相互作用カーネルは、長い時間間隔でエージェントの振る舞いを予測するために使用される。
さらに,カーネル評価コストを削減し,マルチエージェントシステムのシミュレーションコストを大幅に削減する。
- 参考スコア（独自算出の注目度）: 2.563639452716634
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Particle dynamics and multi-agent systems provide accurate dynamical models
for studying and forecasting the behavior of complex interacting systems. They
often take the form of a high-dimensional system of differential equations
parameterized by an interaction kernel that models the underlying attractive or
repulsive forces between agents. We consider the problem of constructing a
data-based approximation of the interacting forces directly from noisy
observations of the paths of the agents in time. The learned interaction
kernels are then used to predict the agents behavior over a longer time
interval. The approximation developed in this work uses a randomized feature
algorithm and a sparse randomized feature approach. Sparsity-promoting
regression provides a mechanism for pruning the randomly generated features
which was observed to be beneficial when one has limited data, in particular,
leading to less overfitting than other approaches. In addition, imposing
sparsity reduces the kernel evaluation cost which significantly lowers the
simulation cost for forecasting the multi-agent systems. Our method is applied
to various examples, including first-order systems with homogeneous and
heterogeneous interactions, second order homogeneous systems, and a new sheep
swarming system.
- Abstract（参考訳）: 粒子動力学とマルチエージェントシステムは、複雑な相互作用系の挙動を研究し予測するための正確な力学モデルを提供する。
それらはしばしば、相互作用カーネルによってパラメータ化された高次元の微分方程式の体系の形をとり、エージェント間の引力や反発力をモデル化する。
エージェントの経路のノイズ観測から直接相互作用力のデータに基づく近似を構築することの問題点を考察する。
学習された相互作用カーネルは、長い時間間隔でエージェントの振る舞いを予測するために使用される。
この研究で開発された近似は、ランダム化特徴アルゴリズムとスパースランダム化特徴アプローチを用いる。
スパーシティ・プロモーティング・レグレッション(sprsity-promoting regression)は、データに制限がある場合、特に他のアプローチよりも過度に適合しないという、ランダムに生成された特徴を刈り取るメカニズムを提供する。
さらに,カーネル評価コストを低減し,マルチエージェントシステム予測のシミュレーションコストを大幅に削減する。
本手法は,均質および不均質相互作用を有する一階システム,二階均質システム,新しい羊群システムなど,様々な例に適用できる。
関連論文リスト
- Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。
我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。
当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文 参考訳（メタデータ） (2024-11-04T11:09:58Z) - 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) - Learning minimal representations of stochastic processes with
variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。
我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文 参考訳（メタデータ） (2023-07-21T14:25:06Z) - Cheap and Deterministic Inference for Deep State-Space Models of
Interacting Dynamical Systems [38.23826389188657]
本稿では,基礎となる相互作用力学系をモデル化するために,グラフニューラルネットワークを用いた深部状態空間モデルを提案する。
予測分布はマルチモーダルであり、ガウス混合モデルの形をしており、ガウス成分のモーメントは決定論的モーメントマッチングルールによって計算できる。
我々のモーメントマッチングスキームはサンプルのない推論に利用でき、モンテカルロの代替案と比較してより効率的で安定した訓練がもたらされる。
論文 参考訳（メタデータ） (2023-05-02T20:30:23Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - A Causality-Based Learning Approach for Discovering the Underlying
Dynamics of Complex Systems from Partial Observations with Stochastic
Parameterization [1.2882319878552302]
本稿では,部分的な観測を伴う複雑な乱流系の反復学習アルゴリズムを提案する。
モデル構造を識別し、観測されていない変数を復元し、パラメータを推定する。
数値実験により、新しいアルゴリズムはモデル構造を同定し、多くの複雑な非線形系に対して適切なパラメータ化を提供することに成功した。
論文 参考訳（メタデータ） (2022-08-19T00:35:03Z) - Learning Interaction Variables and Kernels from Observations of
Agent-Based Systems [14.240266845551488]
本稿では,エージェントの軌道に沿った状態や速度の観測を前提として,相互作用カーネルが依存する変数と相互作用カーネル自体を両立させる学習手法を提案する。
これにより、高次元観測データから次元性の呪いを避ける効果的な次元削減が得られる。
我々は,本手法の学習能力を,様々な一階対話システムに示す。
論文 参考訳（メタデータ） (2022-08-04T16:31:01Z) - Multi-Agent Imitation Learning with Copulas [102.27052968901894]
マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。
本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。
提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
論文 参考訳（メタデータ） (2021-07-10T03:49:41Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z) - Data-driven discovery of interacting particle systems using Gaussian
processes [3.0938904602244346]
本研究では,2次相互作用粒子系における距離に基づく相互作用則の発見について検討する。
本稿では,潜在相互作用カーネル関数をガウス過程としてモデル化する学習手法を提案する。
異なる集団行動を示すシステムにおける数値的な結果から,ノイズの少ない軌道データから,我々のアプローチを効果的に学習することを示す。
論文 参考訳（メタデータ） (2021-06-04T22:00:53Z) - Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。
本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-05-06T08:48:02Z)
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。