論文の概要: SDYN-GANs: Adversarial Learning Methods for Multistep Generative Models
for General Order Stochastic Dynamics
- arxiv url: http://arxiv.org/abs/2302.03663v1
- Date: Tue, 7 Feb 2023 18:28:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-08 15:22:20.685702
- Title: SDYN-GANs: Adversarial Learning Methods for Multistep Generative Models
for General Order Stochastic Dynamics
- Title（参考訳）: SDYN-GAN:汎用確率力学のための多段階生成モデルの逆学習法
- Authors: Panos Stinis, Constantinos Daskalakis, Paul J. Atzberger
- Abstract要約: 我々は,安定な$m$ステップの数値軌道に基づく生成モデルクラスを用いたGAN(Generative Adversarial Networks)を構築した。
物理的システムをモデリングして、力の法則、減衰係数、ノイズ関連パラメータを学習する方法を示す。
- 参考スコア（独自算出の注目度）: 20.292913470013744
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce adversarial learning methods for data-driven generative modeling
of the dynamics of $n^{th}$-order stochastic systems. Our approach builds on
Generative Adversarial Networks (GANs) with generative model classes based on
stable $m$-step stochastic numerical integrators. We introduce different
formulations and training methods for learning models of stochastic dynamics
based on observation of trajectory samples. We develop approaches using
discriminators based on Maximum Mean Discrepancy (MMD), training protocols
using conditional and marginal distributions, and methods for learning dynamic
responses over different time-scales. We show how our approaches can be used
for modeling physical systems to learn force-laws, damping coefficients, and
noise-related parameters. The adversarial learning approaches provide methods
for obtaining stable generative models for dynamic tasks including long-time
prediction and developing simulations for stochastic systems.
- Abstract（参考訳）: 我々は,$n^{th}$-order確率システムのダイナミクスをデータ駆動生成モデリングするための逆学習法を提案する。
提案手法はGAN(Generative Adversarial Networks)に基づいて,安定な$m$-step確率数値積分器に基づく生成モデルクラスを構築する。
軌道サンプルの観測に基づく確率力学のモデル学習のための異なる定式化と訓練手法を提案する。
本研究では,最大平均偏差(mmd)に基づく判別器,条件分布と限界分布を用いたトレーニングプロトコル,異なる時間スケールで動的応答を学習する手法を開発した。
提案手法は, 力則, 減衰係数, 騒音関連パラメータを学習するための物理システムのモデリングに利用できることを示す。
逆学習アプローチは、長期予測や確率システムのシミュレーションなどを含む動的タスクのための安定な生成モデルを得る方法を提供する。
関連論文リスト
- Dynamic Post-Hoc Neural Ensemblers [55.15643209328513]
本研究では,ニューラルネットワークをアンサンブル手法として活用することを検討する。
低多様性のアンサンブルを学習するリスクを動機として,ベースモデル予測をランダムにドロップすることでモデルの正規化を提案する。
このアプローチはアンサンブル内の多様性を低くし、オーバーフィッティングを減らし、一般化能力を向上させる。
論文 参考訳（メタデータ） (2024-10-06T15:25:39Z) - Data-driven Effective Modeling of Multiscale Stochastic Dynamical Systems [4.357350642401934]
本稿では,未知のマルチスケール力学系の遅い成分の力学を数値的に学習する手法を提案する。
提案手法は, 観測データを利用して, 分布の遅い変数の有効ダイナミクスを正確に把握できる生成モデルを構築することができる。
論文 参考訳（メタデータ） (2024-08-27T07:03:51Z) - Model-based Policy Optimization using Symbolic World Model [46.42871544295734]
ロボット工学における学習に基づく制御手法の適用は、大きな課題を呈している。
1つは、モデルなし強化学習アルゴリズムがサンプル効率の低い観測データを使用することである。
シンボリック回帰によって生成されるシンボリック表現による遷移ダイナミクスの近似を提案する。
論文 参考訳（メタデータ） (2024-07-18T13:49:21Z) - Tasks Makyth Models: Machine Learning Assisted Surrogates for Tipping
Points [0.0]
本稿では,複雑なシステムの創発的挙動におけるヒント点を検出するための機械学習支援フレームワークを提案する。
我々は、異なるスケールで創発的ダイナミクスのための縮小次モデルを構築した。
異なるモデルの使用と、それらを学ぶための努力とは対照的です。
論文 参考訳（メタデータ） (2023-09-25T17:58:23Z) - Learning minimal representations of stochastic processes with
variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。
我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文 参考訳（メタデータ） (2023-07-21T14:25:06Z) - 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) - Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。
本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文 参考訳（メタデータ） (2022-02-17T07:56:46Z) - Learning Unstable Dynamics with One Minute of Data: A
Differentiation-based Gaussian Process Approach [47.045588297201434]
ガウス過程の微分可能性を利用して、真の連続力学の状態依存線形化近似を作成する方法を示す。
9次元セグウェイのような不安定なシステムのシステムダイナミクスを反復的に学習することで、アプローチを検証する。
論文 参考訳（メタデータ） (2021-03-08T05:08:47Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - ImitationFlow: Learning Deep Stable Stochastic Dynamic Systems by
Normalizing Flows [29.310742141970394]
我々は,世界規模で安定な非線形力学を学習できる新しいDeep生成モデルであるImitationFlowを紹介した。
提案手法の有効性を,標準データセットと実ロボット実験の両方で示す。
論文 参考訳（メタデータ） (2020-10-25T14:49:46Z)
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。