論文の概要: Metalearning generalizable dynamics from trajectories

• arxiv url: http://arxiv.org/abs/2301.00957v2
• Date: Wed, 27 Sep 2023 15:54:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-28 22:02:36.780792
• Title: Metalearning generalizable dynamics from trajectories
• Title（参考訳）: 軌跡からのメタラーニング一般化力学
• Authors: Qiaofeng Li, Tianyi Wang, Vwani Roychowdhury, M. Khalid Jawed
• Abstract要約: 本稿では,解釈可能なメタニューラル常微分方程式 (iMODE) を用いて,パラメータ固有ではない) のダイナミクスを高速に学習する。 iMODE法は物理パラメータを知らずに動的システムインスタンスの力場の機能的変動であるメタ知識を学習する。 We test the whether of the iMODE method on bistable, double pendulum, Van der Pol, Slinky, and reaction-diffusion system。
• 参考スコア（独自算出の注目度）: 4.4466356883131155
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We present the interpretable meta neural ordinary differential equation (iMODE) method to rapidly learn generalizable (i.e., not parameter-specific) dynamics from trajectories of multiple dynamical systems that vary in their physical parameters. The iMODE method learns meta-knowledge, the functional variations of the force field of dynamical system instances without knowing the physical parameters, by adopting a bi-level optimization framework: an outer level capturing the common force field form among studied dynamical system instances and an inner level adapting to individual system instances. A priori physical knowledge can be conveniently embedded in the neural network architecture as inductive bias, such as conservative force field and Euclidean symmetry. With the learned meta-knowledge, iMODE can model an unseen system within seconds, and inversely reveal knowledge on the physical parameters of a system, or as a Neural Gauge to "measure" the physical parameters of an unseen system with observed trajectories. We test the validity of the iMODE method on bistable, double pendulum, Van der Pol, Slinky, and reaction-diffusion systems.
• Abstract（参考訳）: 本稿では,メタニューラル常微分方程式(imode)を用いて,物理パラメータが異なる複数の力学系の軌跡から一般化可能な(パラメータ固有ではない)ダイナミクスを高速に学習する手法を提案する。 iMODE法は,研究された動的システムインスタンスの共通力場形状を捉える外層と,個々のシステムインスタンスに適応する内層とを用いて,物理パラメータを知らずに動的システムインスタンスの力場の機能的変動であるメタ知識を学習する。 優先的な物理的知識は、保守的な力場やユークリッド対称性のような誘導バイアスとしてニューラルネットワークアーキテクチャに便利に組み込むことができる。 学習されたメタ知識により、imodeは数秒以内に未知のシステムをモデル化し、システムの物理的パラメータに関する知識を逆に明らかにしたり、観察された軌道を持つ未知のシステムの物理的パラメータを"測定"するための神経ゲージとして使用することができる。 バイスタブル,ダブルペンデュラム,ファンデルポル,スリンキー,反応拡散系におけるimode法の有効性を検証した。

関連論文リスト

• ICODE: Modeling Dynamical Systems with Extrinsic Input Information [14.521146920900316]
  モデルの学習過程に,正確なリアルタイム入力情報を組み込んだ入力共役ニューラルネットワーク(ICODE)を導入する。 いくつかの代表的実動力学の実験を通して本手法を検証する。 この研究は、明示的な外部入力情報で物理的システムを理解するための貴重なニューラルネットワークODEモデルのクラスを提供する。
  論文  参考訳（メタデータ） (2024-11-21T07:57:59Z)
• 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)
• 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)
• Physically Consistent Neural ODEs for Learning Multi-Physics Systems [0.0]
  本稿では, 可逆ポート・ハミルトニアンシステム (IPHS) の枠組みを利用する。 データからパラメータを学習するために,PC-NODE(Physically Consistent NODE)を提案する。 提案手法の有効性を実世界の実測値から建物熱力学を学習し,その有効性を実証する。
  論文  参考訳（メタデータ） (2022-11-11T11:20:35Z)
• Neural Implicit Representations for Physical Parameter Inference from a Single Video [49.766574469284485]
  本稿では,外見モデルのためのニューラル暗黙表現と,物理現象をモデル化するためのニューラル常微分方程式(ODE)を組み合わせることを提案する。 提案モデルでは,大規模なトレーニングデータセットを必要とする既存のアプローチとは対照的に,単一のビデオから物理的パラメータを識別することが可能になる。 ニューラル暗示表現を使用することで、高解像度ビデオの処理とフォトリアリスティック画像の合成が可能になる。
  論文  参考訳（メタデータ） (2022-04-29T11:55:35Z)
• 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)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Learning Dynamical Systems from Noisy Sensor Measurements using Multiple Shooting [11.771843031752269]
  本稿では,間接的に観測された動的システムの潜在表現を学習するための汎用的かつスケーラブルな手法を提案する。 生画像から直接観察されたシステム上での最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-06-22T12:30:18Z)
• Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable Dynamical Systems [74.80320120264459]
  本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。 複素運動は安定な力学系のロールアウトとして符号化される。 このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
  論文  参考訳（メタデータ） (2020-05-27T03:51:57Z)
• Learning Stable Deep Dynamics Models [91.90131512825504]
  状態空間全体にわたって安定することが保証される力学系を学習するためのアプローチを提案する。 このような学習システムは、単純な力学系をモデル化することができ、複雑な力学を学習するために追加の深層生成モデルと組み合わせることができることを示す。
  論文  参考訳（メタデータ） (2020-01-17T00:04:45Z)
• Symplectic ODE-Net: Learning Hamiltonian Dynamics with Control [14.24939133094439]
  物理系の力学を推論できるディープラーニングフレームワークであるSymlectic ODE-Net(SymODEN)を紹介する。 特に、ハミルトン力学を制御して、基礎となる力学を透過的に学習する。 このフレームワークは、物理的システムに対して解釈可能で物理的に一貫性のあるモデルを提供することで、モデルベースの制御戦略を合成する新たな可能性を開く。
  論文  参考訳（メタデータ） (2019-09-26T13:13:16Z)

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。