論文の概要: Recurrences reveal shared causal drivers of complex time series
- arxiv url: http://arxiv.org/abs/2301.13516v1
- Date: Tue, 31 Jan 2023 10:07:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-01 16:56:01.945278
- Title: Recurrences reveal shared causal drivers of complex time series
- Title(参考訳): 複雑時系列における因果関係の共有化
- Authors: William Gilpin
- Abstract要約: 本稿では,時系列測定における繰り返しを用いた教師なし学習アルゴリズムを導入し,観測されていない運転信号を徐々に再構築する。
我々は,神経科学,ゲノム学,流体力学,生理学にまたがる様々な実世界のデータセットから因果的駆動信号を抽出する手法の強い能力を実証する。
- 参考スコア(独自算出の注目度): 6.09170287691728
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many experimental time series measurements share an unobserved causal driver.
Examples include genes targeted by transcription factors, ocean flows
influenced by large-scale atmospheric currents, and motor circuits steered by
descending neurons. Reliably inferring this unseen driving force is necessary
to understand the intermittent nature of top-down control schemes in diverse
biological and engineered systems. Here, we introduce a new unsupervised
learning algorithm that uses recurrences in time series measurements to
gradually reconstruct an unobserved driving signal. Drawing on the mathematical
theory of skew-product dynamical systems, we identify recurrence events shared
across response time series, which implicitly define a recurrence graph with
glass-like structure. As the amount or quality of observed data improves, this
recurrence graph undergoes a percolation transition manifesting as weak
ergodicity breaking for random walks on the induced landscape -- revealing the
shared driver's dynamics, even in the presence of strongly corrupted or noisy
measurements. Across several thousand random dynamical systems, we empirically
quantify the dependence of reconstruction accuracy on the rate of information
transfer from a chaotic driver to the response systems, and we find that
effective reconstruction proceeds through gradual approximation of the driver's
dominant unstable periodic orbits. Through extensive benchmarks against
classical and neural-network-based signal processing techniques, we demonstrate
our method's strong ability to extract causal driving signals from diverse
real-world datasets spanning neuroscience, genomics, fluid dynamics, and
physiology.
- Abstract(参考訳): 多くの実験時系列測定は観測されていない因果ドライバを共有している。
例えば、転写因子を標的とする遺伝子、大規模な大気電流に影響された海洋の流れ、下降するニューロンが支配する運動回路などがある。
多様な生物学的・工学的なシステムにおけるトップダウン制御スキームの断続的な性質を理解するためには、この未知の駆動力を確実に推論する必要がある。
そこで本研究では,時系列測定の繰り返しを利用して,観測されていない運転信号を徐々に再構成する,教師なし学習アルゴリズムを提案する。
スクリュー生成力学系の数学的理論に基づいて,反応時間列間で共有される再発事象を同定し,ガラスのような構造を持つ再発グラフを暗黙的に定義する。
観測されたデータの量や品質が向上するにつれて、この再帰グラフは、誘導されたランドスケープ上のランダムウォークの弱いエルゴード性破壊として現れるパーコレーション遷移を実行します。
数千のランダムな力学系において、カオスドライバから応答系への情報伝達速度に対する再構成精度の依存性を実証的に定量化し、運転者の支配的不安定周期軌道の漸進的近似によって効果的な再構成が進行することを示す。
古典的およびニューラルネットワークに基づく信号処理技術に対する広範なベンチマークを通じて,神経科学,ゲノム学,流体力学,生理学にまたがる多種多様な実世界データセットから因果的駆動信号を抽出する手法の強みを実証する。
関連論文リスト
- AI-Lorenz: A physics-data-driven framework for black-box and gray-box
identification of chaotic systems with symbolic regression [2.07180164747172]
複雑な動的挙動をモデル化した数学的表現を学習するフレームワークを開発する。
私たちは、システムのダイナミクス、時間の変化率、モデル用語の欠如を学ぶために、小さなニューラルネットワークをトレーニングします。
これにより、動的挙動の将来的な進化を予測することができる。
論文 参考訳(メタデータ) (2023-12-21T18:58:41Z) - Let's do the time-warp-attend: Learning topological invariants of
dynamical systems [4.465883551216819]
本稿では、動的状態の分類と分岐境界の特徴付けのための、データ駆動型、物理的にインフォームドされたディープラーニングフレームワークを提案する。
超臨界ホップ分岐のパラダイム的ケースに着目し、様々な応用の周期的ダイナミクスをモデル化する。
本手法は, 広範囲な力学系の定性的・長期的挙動に関する貴重な知見を提供し, 大規模物理・生物系における分岐や破滅的な遷移を検出する。
論文 参考訳(メタデータ) (2023-12-14T18:57:16Z) - Contrastive-Signal-Dependent Plasticity: Forward-Forward Learning of
Spiking Neural Systems [73.18020682258606]
我々は、ニューロンの個々の層が並列に機能する、スパイキングニューロンユニットからなる神経模倣アーキテクチャを開発する。
コントラスト信号依存塑性(CSDP)と呼ばれるイベントベース前方学習の一般化を提案する。
いくつかのパターンデータセットに対する実験結果から,CSDPプロセスは分類と再構成の両方が可能な動的再帰スパイクネットワークのトレーニングに有効であることが示された。
論文 参考訳(メタデータ) (2023-03-30T02:40:28Z) - Stochastic Gradient Descent-Induced Drift of Representation in a
Two-Layer Neural Network [0.0]
脳や人工ネットワークで観察されているにもかかわらず、ドリフトのメカニズムとその意味は完全には理解されていない。
ピリフォーム大脳皮質における刺激依存性のドリフトに関する最近の実験結果に触発されて、我々はこの現象を2層線形フィードフォワードネットワークで研究するために理論とシミュレーションを用いた。
論文 参考訳(メタデータ) (2023-02-06T04:56:05Z) - Neural-network solutions to stochastic reaction networks [7.021105583098606]
本稿では,化学マスター方程式の解法として,変分自己回帰ネットワークを用いた機械学習手法を提案する。
提案手法は, 種数状態空間における結合確率分布の時間的変化を追跡する。
遺伝的トグルスイッチと初期生命自己複製器において、時間とともに確率分布を正確に生成することを示した。
論文 参考訳(メタデータ) (2022-09-29T07:27:59Z) - Reminiscence of classical chaos in driven transmons [117.851325578242]
共振器外ドライブでさえ、トランスモンスペクトルの構造に強い変化をもたらし、その大部分がカオスであることを示す。
その結果、カオス誘起量子分解効果の出現を特徴付ける光子数しきい値が導かれる。
論文 参考訳(メタデータ) (2022-07-19T16:04:46Z) - Learning Fine Scale Dynamics from Coarse Observations via Inner
Recurrence [0.0]
最近の研究は、ディープニューラルネットワーク(DNN)による未知のシステムの進化に関するデータ駆動学習に焦点を当てている。
本稿では,このような粗い観測データから微細な力学を学習するための計算手法を提案する。
論文 参考訳(メタデータ) (2022-06-03T20:28:52Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - A Predictive Coding Account for Chaotic Itinerancy [68.8204255655161]
予測符号化を実装したリカレントニューラルネットワークが,入力雑音の存在下でカオス的反復性に類似したニューラルトラジェクトリを生成する方法を示す。
本モデルを用いて,無作為かつ非依存なトラジェクタスイッチングトラジェクトリを生成する2つのシナリオを提案する。
論文 参考訳(メタデータ) (2021-06-16T16:48:14Z) - 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) - Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。
この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
論文 参考訳(メタデータ) (2020-11-18T18:52:08Z)
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。