論文の概要: Learning to Decouple Complex Systems
- arxiv url: http://arxiv.org/abs/2302.01581v1
- Date: Fri, 3 Feb 2023 07:24:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-06 17:05:04.105001
- Title: Learning to Decouple Complex Systems
- Title（参考訳）: 複雑なシステムを分離する学習
- Authors: Zihan Zhou and Tianshu Yu
- Abstract要約: 本研究では,不規則なサンプルや散逸した逐次観測を扱うための逐次学習手法を提案する。
我々は、単純体の中で進化するメタシステムは射影微分方程式(ProjDEs)によって支配されると主張する。
- 参考スコア（独自算出の注目度）: 16.544684282277526
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A complex system with cluttered observations may be a coupled mixture of
multiple simple sub-systems corresponding to latent entities. Such sub-systems
may hold distinct dynamics in the continuous-time domain; therein, complicated
interactions between sub-systems also evolve over time. This setting is fairly
common in the real world but has been less considered. In this paper, we
propose a sequential learning approach under this setting by decoupling a
complex system for handling irregularly sampled and cluttered sequential
observations. Such decoupling brings about not only subsystems describing the
dynamics of each latent entity but also a meta-system capturing the interaction
between entities over time. Specifically, we argue that the meta-system
evolving within a simplex is governed by projected differential equations
(ProjDEs). We further analyze and provide neural-friendly projection operators
in the context of Bregman divergence. Experimental results on synthetic and
real-world datasets show the advantages of our approach when facing complex and
cluttered sequential data compared to the state-of-the-art.
- Abstract（参考訳）: 散逸した観測を伴う複素系は、潜在エンティティに対応する複数の単純なサブシステムの混合である。
このようなサブシステムは連続時間領域において異なるダイナミクスを持ちうるため、サブシステム間の複雑な相互作用も時間とともに進化する。
この設定は現実世界では一般的だが、あまり考慮されていない。
本稿では,不規則にサンプリングされた連続観測を処理するための複雑なシステムを分離し,この設定下での逐次学習手法を提案する。
このような分離は、各潜在エンティティのダイナミクスを記述するサブシステムだけでなく、時間とともにエンティティ間のインタラクションをキャプチャするメタシステムをもたらす。
具体的には、単純体内で進化するメタシステムは射影微分方程式(ProjDEs)によって支配されると論じる。
さらに,ブレグマン発散の文脈において,神経フレンドリーな射影演算子を解析,提供する。
合成データと実世界のデータセットに関する実験結果は、最先端データに比べて複雑で乱雑なシーケンシャルデータに対して、我々のアプローチの利点を示している。
関連論文リスト
- Inferring Relational Potentials in Interacting Systems [56.498417950856904]
このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。
NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。
別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
論文 参考訳（メタデータ） (2023-10-23T00:44:17Z) - Integrating Multimodal Data for Joint Generative Modeling of Complex Dynamics [6.848555909346641]
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。
論文 参考訳（メタデータ） (2022-12-15T15:21:28Z) - Learning Individual Interactions from Population Dynamics with Discrete-Event Simulation Model [9.827590402695341]
複雑なシステム力学の離散時間シミュレーション表現を学習する可能性について検討する。
この結果から,本アルゴリズムは,意味のあるイベントを持つ複数のフィールドにおいて,複雑なネットワークダイナミクスをデータ効率よくキャプチャできることがわかった。
論文 参考訳（メタデータ） (2022-05-04T21:33:56Z) - 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) - Inference of time-ordered multibody interactions [0.8057006406834466]
時間的および時間的依存関係を示す複雑なシステムと多体依存関係を記述するために、時間順の多体インタラクションを導入する。
本稿では,ノード状態のシステムレベルダイナミクスを捉えるデータから,これらの相互作用を抽出するアルゴリズムを提案する。
我々は,統計的誤差に対するアルゴリズムの頑健さと,擬似相互作用アンサンブルの推論におけるその効率を実験的に検証した。
論文 参考訳（メタデータ） (2021-11-29T15:41:06Z) - 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) - Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian
Modeling [68.69431580852535]
サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。
我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。
我々は2つの異なる社会問題に対してアルゴリズムを実行する。
論文 参考訳（メタデータ） (2021-07-07T03:57:22Z) - Learning Continuous System Dynamics from Irregularly-Sampled Partial
Observations [33.63818978256567]
グラフ構造を持つ多エージェント動的システムをモデル化するための潜在常微分方程式生成モデルLG-ODEを提案する。
高次元軌跡の埋め込みと連続潜伏系力学を同時に学習することができる。
我々のモデルは、教師なしの方法で初期状態を推論できるグラフニューラルネットワークによってパラメータ化された新しいエンコーダを採用している。
論文 参考訳（メタデータ） (2020-11-08T01:02:22Z) - S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。
我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
論文 参考訳（メタデータ） (2020-07-13T17:44:30Z) - Combining Machine Learning with Knowledge-Based Modeling for Scalable
Forecasting and Subgrid-Scale Closure of Large, Complex, Spatiotemporal
Systems [48.7576911714538]
我々は、過去のデータを予測に組み込む上で、機械学習を必須のツールとして活用しようと試みる。
i)並列機械学習予測手法と(ii)ハイブリッド手法の2つの手法を組み合わせて,知識ベースコンポーネントと機械学習ベースコンポーネントからなる複合予測システムを提案する。
i) と (ii) を組み合わせることで、非常に大規模なシステムに優れた性能を与えることができるだけでなく、並列機械学習コンポーネントを訓練するのに必要となる時系列データの長さが、並列化なしで必要なものよりも劇的に少ないことを実証した。
論文 参考訳（メタデータ） (2020-02-10T23:21:50Z) - 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。