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: 翻訳完了
• 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

• Disordered Dynamics in High Dimensions: Connections to Random Matrices and Machine Learning [52.26396748560348]
  ランダム行列によって駆動される高次元力学系について概説する。 機械学習理論における学習と一般化の単純なモデルへの応用に焦点を当てる。
  論文  参考訳（メタデータ） (2026-01-03T00:12:32Z)
• Research Program: Theory of Learning in Dynamical Systems [29.121933501690805]
  力学系における学習性は有限サンプル問題として研究されるべきである。 我々は、有限のバーンイン期間の後、各段階で均一に保持される保証に焦点をあてる。 システム同定を行なわずに,有限観測後に正確な予測が可能であることを示す。
  論文  参考訳（メタデータ） (2025-12-22T14:05:31Z)
• Information-Theoretic Bounds and Task-Centric Learning Complexity for Real-World Dynamic Nonlinear Systems [0.6875312133832079]
  動的非線形系は静的および動的効果の結合による歪みを示す。 本稿では, 構造化分解, 分散解析, タスク中心の複雑性境界に基づく理論的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-09-08T12:08:02Z)
• Synchronization and semantization in deep spiking networks [0.9411751957919126]
  近年の研究では、スパイキングネットワークは、誤り訂正塑性によって複雑な機能を学べることが示されているが、結果として生じる構造や力学はいまだに研究されていない。 スパイク時間符号化を用いた視覚入力分類において,視覚階層の概念的類似として多層スパイキングネットワークを訓練する。 学習後, 異なる時間的活動パターンの発達を観察し, 入力パターンは構築によって同期するが, 初期層の活動は時間とともに拡散し, クラスが徐々に抽出されるにつれて, 鋭いパルスに再収束する。 同期性の出現は徐々に異なる経路の形成を伴い、段階的なセマント化を反映する
  論文  参考訳（メタデータ） (2025-08-18T14:51:58Z)
• Learning Causal Structure Distributions for Robust Planning [53.753366558072806]
  構造情報の不確実性を考慮しながら,機能的関係を学習することで,より堅牢な力学モデルがもたらされることがわかった。 これは、因果構造を無視し、ロボットシステムにおける相互作用の空間性を活用するのに失敗する一般的なモデル学習手法とは対照的である。 本稿では,本モデルを用いてロボットの力学を学習し,新しい環境下での新たな作業を行うためのサンプリング・ベース・プランナーを併用することを提案する。
  論文  参考訳（メタデータ） (2025-08-08T22:43:17Z)
• No Equations Needed: Learning System Dynamics Without Relying on Closed-Form ODEs [56.78271181959529]
  本稿では,従来の2段階モデリングプロセスから離れることで,低次元力学系をモデル化する概念シフトを提案する。 最初に閉形式方程式を発見して解析する代わりに、我々のアプローチ、直接意味モデリングは力学系の意味表現を予測する。 私たちのアプローチは、モデリングパイプラインを単純化するだけでなく、結果のモデルの透明性と柔軟性も向上します。
  論文  参考訳（メタデータ） (2025-01-30T18:36:48Z)
• 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。