論文の概要: Integrating Multimodal Data for Joint Generative Modeling of Complex
Dynamics
- arxiv url: http://arxiv.org/abs/2212.07892v2
- Date: Tue, 27 Feb 2024 12:37:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 01:01:24.645572
- Title: Integrating Multimodal Data for Joint Generative Modeling of Complex
Dynamics
- Title（参考訳）: 複合力学の合同生成モデルのためのマルチモーダルデータの統合
- Authors: Manuel Brenner and Florian Hess and Georgia Koppe and Daniel
Durstewitz
- Abstract要約: 最適復元のための様々な情報ソースを組み合わせるための効率的なフレームワークを提供する。
我々のフレームワークは完全にテキスト生成され、訓練後に、基底真理系と同じ幾何学的、時間的構造を持つ軌道を生成します。
- 参考スコア（独自算出の注目度）: 7.481555334059226
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many, if not most, systems of interest in science are naturally described as
nonlinear dynamical systems. Empirically, we commonly access these systems
through time series measurements. Often such time series may consist of
discrete random variables rather than continuous measurements, or may be
composed of measurements from multiple data modalities observed simultaneously.
For instance, in neuroscience we may have behavioral labels in addition to
spike counts and continuous physiological recordings. While by now there is a
burgeoning literature on deep learning for dynamical systems reconstruction
(DSR), multimodal data integration has hardly been considered in this context.
Here we provide such an efficient and flexible algorithmic framework that rests
on a multimodal variational autoencoder for generating a sparse teacher signal
that guides training of a reconstruction model, exploiting recent advances in
DSR training techniques. It enables to combine various sources of information
for optimal reconstruction, even allows for reconstruction from symbolic data
(class labels) alone, and connects different types of observations within a
common latent dynamics space. In contrast to previous multimodal data
integration techniques for scientific applications, our framework is fully
\textit{generative}, producing, after training, trajectories with the same
geometrical and temporal structure as those of the ground truth system.
- Abstract（参考訳）: 科学に関心を持つシステムの多くは自然に非線形力学系として記述されている。
経験的には、時系列測定によってこれらのシステムによくアクセスする。
このような時系列は連続的な測定ではなく離散的なランダム変数で構成されたり、同時に観測される複数のデータモーダルから測定される。
例えば神経科学では、スパイクカウントや継続的な生理的記録に加えて行動ラベルがあるかもしれない。
動的システム再構成(DSR)の深層学習に関する文献は,現在,盛んに行われているが,この文脈ではマルチモーダルデータの統合はほとんど検討されていない。
本稿では,DSRトレーニング技術の最近の進歩を生かして,再構成モデルのトレーニングを誘導するスパース教師信号を生成するマルチモーダル変分オートエンコーダ上に,効率的で柔軟なアルゴリズムフレームワークを提供する。
最適な再構成のために様々な情報ソースを組み合わせることができ、シンボリックデータ(クラスラベル)のみからの再構築を可能にし、共通の潜在力学空間内で異なるタイプの観測を接続する。
科学的応用のための従来のマルチモーダルデータ統合技術とは対照的に、我々のフレームワークは完全に \textit{generative} であり、トレーニングの後に、基底真理系と同じ幾何学的および時間的構造を持つ軌道を生成する。
関連論文リスト
- Learning Interpretable Hierarchical Dynamical Systems Models from Time Series Data [6.3128614613706295]
単一ドメインの動的特性を維持しつつ,グループレベル(複数ドメイン)情報を効率的に取得する方法を示す。
全ての動的状態の忠実な再構築に加えて、我々の教師なし方法論は共通の低次元特徴空間を発見する。
論文 参考訳（メタデータ） (2024-10-07T07:54:53Z) - Learning System Dynamics without Forgetting [60.08612207170659]
未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。
本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。
生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
論文 参考訳（メタデータ） (2024-06-30T14:55:18Z) - Neural Koopman prior for data assimilation [7.875955593012905]
ニューラルネットワークアーキテクチャを使って、潜在空間に動的システムを埋め込む。
本研究では,このようなモデルを長期の継続的再構築のために訓練する手法を提案する。
また,変動データ同化手法の先行として,訓練された動的モデルの有望な利用を示すとともに,自己教師型学習の可能性も示された。
論文 参考訳（メタデータ） (2023-09-11T09:04:36Z) - 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) - 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) - 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) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Identifying nonlinear dynamical systems from multi-modal time series
data [3.721528851694675]
物理学、生物学、医学における経験的に観察された時系列は、一般的に、基礎となる力学系(DS)によって生成される。
完全にデータ駆動で教師なしの方法で、この潜伏するDSを再構築するための機械学習手法の収集への関心が高まっている。
本稿では,非線形DS識別とクロスモーダル予測を目的としたマルチモーダルデータ統合のための汎用フレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-04T14:59:28Z) - Continuous-in-Depth Neural Networks [107.47887213490134]
まず最初に、このリッチな意味では、ResNetsは意味のある動的でないことを示します。
次に、ニューラルネットワークモデルが連続力学系を表現することを実証する。
ResNetアーキテクチャの詳細な一般化としてContinuousNetを紹介します。
論文 参考訳（メタデータ） (2020-08-05T22:54:09Z) - Variational Hyper RNN for Sequence Modeling [69.0659591456772]
本稿では,時系列データにおける高変数の取得に優れる新しい確率的シーケンスモデルを提案する。
提案手法では,時間潜時変数を用いて基礎となるデータパターンに関する情報をキャプチャする。
提案手法の有効性を,合成および実世界のシーケンシャルデータに示す。
論文 参考訳（メタデータ） (2020-02-24T19:30:32Z) - Relational State-Space Model for Stochastic Multi-Object Systems [24.234120525358456]
本稿では、逐次階層型潜在変数モデルであるリレーショナル状態空間モデル(R-SSM)を紹介する。
R-SSMはグラフニューラルネットワーク(GNN)を用いて、複数の相関オブジェクトの結合状態遷移をシミュレートする。
R-SSMの実用性は、合成および実時間時系列データセットで実証的に評価される。
論文 参考訳（メタデータ） (2020-01-13T03:45:21Z)
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。