論文の概要: Dynamical Equations With Bottom-up Self-Organizing Properties Learn
Accurate Dynamical Hierarchies Without Any Loss Function
- arxiv url: http://arxiv.org/abs/2302.02140v1
- Date: Sat, 4 Feb 2023 10:00:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-07 19:56:13.931165
- Title: Dynamical Equations With Bottom-up Self-Organizing Properties Learn
Accurate Dynamical Hierarchies Without Any Loss Function
- Title（参考訳）: ボトムアップ自己組織特性をもつ動的方程式は、損失関数のない正確な動的階層を学習する
- Authors: Danilo Vasconcellos Vargas, Tham Yik Foong, Heng Zhang
- Abstract要約: 本稿では,正負のフィードバックループを持つ非線形ダイナミクスの領域内でパターンが定義される学習システムを提案する。
実験により、このようなシステムは時間的から空間的相関をマッピングすることができ、階層構造をシーケンシャルデータから学習することができることが明らかになった。
- 参考スコア（独自算出の注目度）: 15.122944754472435
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Self-organization is ubiquitous in nature and mind. However, machine learning
and theories of cognition still barely touch the subject. The hurdle is that
general patterns are difficult to define in terms of dynamical equations and
designing a system that could learn by reordering itself is still to be seen.
Here, we propose a learning system, where patterns are defined within the realm
of nonlinear dynamics with positive and negative feedback loops, allowing
attractor-repeller pairs to emerge for each pattern observed. Experiments
reveal that such a system can map temporal to spatial correlation, enabling
hierarchical structures to be learned from sequential data. The results are
accurate enough to surpass state-of-the-art unsupervised learning algorithms in
seven out of eight experiments as well as two real-world problems.
Interestingly, the dynamic nature of the system makes it inherently adaptive,
giving rise to phenomena similar to phase transitions in
chemistry/thermodynamics when the input structure changes. Thus, the work here
sheds light on how self-organization can allow for pattern recognition and
hints at how intelligent behavior might emerge from simple dynamic equations
without any objective/loss function.
- Abstract（参考訳）: 自己組織化は自然と心に普遍的である。
しかし、機械学習と認知理論は依然として主題にほとんど触れていない。
ハードルは、一般的なパターンを動的方程式の観点で定義することは困難であり、再順序付けによって学習できるシステムを設計することは、まだ見ることができないことである。
本稿では,非線形力学の領域において正のフィードバックループと負のフィードバックループでパターンを定義できる学習システムを提案する。
実験により、このようなシステムは時間と空間の相関関係をマッピングでき、階層構造を逐次データから学べることが明らかとなった。
その結果は、最先端の教師なし学習アルゴリズムを8つの実験のうち7つと現実世界の2つの問題で上回るほど正確だ。
興味深いことに、システムの動的性質は本質的に適応し、入力構造が変化すると化学・熱力学の相転移に似た現象を引き起こす。
この研究は、自己組織化によってパターン認識が実現し、目的や余分な機能を持たずに単純な動的方程式から知的な振る舞いが生まれることを示唆している。
関連論文リスト
- Identifiable Representation and Model Learning for Latent Dynamic Systems [0.0]
本稿では,潜在力学系における表現とモデル学習の問題について検討する。
線形あるいはアフィン非線形潜在力学系に対して、スケーリングまでの表現を同定し、いくつかの単純な変換までモデルを決定できることを証明した。
論文 参考訳（メタデータ） (2024-10-23T13:55:42Z) - Decomposing heterogeneous dynamical systems with graph neural networks [0.16492989697868887]
グラフニューラルネットワークは、異種システムの相互作用規則と構造を協調的に学習するように設計できることを示す。
学習された潜在構造と力学は、複雑なシステムを事実上分解するために使うことができる。
論文 参考訳（メタデータ） (2024-07-27T04:03:12Z) - 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) - 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) - A Waddington landscape for prototype learning in generalized Hopfield
networks [0.0]
一般化ホップフィールドネットワークの学習力学について検討する。
細胞が分化するにつれて、運河や低次元のダイナミックスと強い類似性が観察される。
論文 参考訳（メタデータ） (2023-12-04T21:28:14Z) - Latent Traversals in Generative Models as Potential Flows [113.4232528843775]
我々は,学習された動的ポテンシャルランドスケープを持つ潜在構造をモデル化することを提案する。
物理、最適輸送、神経科学にインスパイアされたこれらの潜在的景観は、物理的に現実的な偏微分方程式として学習される。
本手法は,最先端のベースラインよりも定性的かつ定量的に歪んだ軌跡を実現する。
論文 参考訳（メタデータ） (2023-04-25T15:53:45Z) - 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) - Improving Coherence and Consistency in Neural Sequence Models with
Dual-System, Neuro-Symbolic Reasoning [49.6928533575956]
我々は、神経系1と論理系2の間を仲介するために神経推論を用いる。
強靭なストーリー生成とグラウンドド・インストラクション・フォローリングの結果、このアプローチは神経系世代におけるコヒーレンスと精度を高めることができることを示した。
論文 参考訳（メタデータ） (2021-07-06T17:59:49Z) - Hierarchically Organized Latent Modules for Exploratory Search in
Morphogenetic Systems [21.23182328329019]
多様な表現の階層の教師なし学習を可能にする新しい動的・モジュラーアーキテクチャを導入する。
本システムは,ユーザの嗜好に対して効率よく多様性探索を適応できる発見アシスタントを構築できることを示す。
論文 参考訳（メタデータ） (2020-07-02T15:28:27Z) - 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)
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。