論文の概要: Invariant Neural Ordinary Differential Equations
- arxiv url: http://arxiv.org/abs/2302.13262v1
- Date: Sun, 26 Feb 2023 08:26:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 18:03:11.710361
- Title: Invariant Neural Ordinary Differential Equations
- Title(参考訳): 不変神経常微分方程式
- Authors: Ilze Amanda Auzina, \c{C}a\u{g}atay Y{\i}ld{\i}z, Sara Magliacane,
Matthias Bethge and Efstratios Gavves
- Abstract要約: 我々は、時間不変変数から完全にデータ駆動の方法で動的状態を切り離すことを提案する。
このような変数は、潜時微分関数を制御したり、潜時微分関数から観測へのマッピングをパラメータ化することができる。
低次元発振システムとビデオシーケンスの実験により,我々の不整合モデルが長期予測の改善を実現することが明らかとなった。
- 参考スコア(独自算出の注目度): 32.28903073498105
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Latent neural ordinary differential equations have been proven useful for
learning non-linear dynamics of arbitrary sequences. In contrast with their
mechanistic counterparts, the predictive accuracy of neural ODEs decreases over
longer prediction horizons (Rubanova et al., 2019). To mitigate this issue, we
propose disentangling dynamic states from time-invariant variables in a
completely data-driven way, enabling robust neural ODE models that can
generalize across different settings. We show that such variables can control
the latent differential function and/or parameterize the mapping from latent
variables to observations. By explicitly modeling the time-invariant variables,
our framework enables the use of recent advances in representation learning. We
demonstrate this by introducing a straightforward self-supervised objective
that enhances the learning of these variables. The experiments on
low-dimensional oscillating systems and video sequences reveal that our
disentangled model achieves improved long-term predictions, when the training
data involve sequence-specific factors of variation such as different
rotational speeds, calligraphic styles, and friction constants.
- Abstract(参考訳): 潜在神経常微分方程式は任意の列の非線形ダイナミクスを学ぶのに有用であることが証明されている。
機械的手法とは対照的に、ニューラルODEの予測精度は長い予測地平線よりも低下する(Rubanova et al., 2019)。
この問題を緩和するために、時間不変変数から完全にデータ駆動の方法で動的状態の分離を提案し、異なる設定をまたいで一般化可能な堅牢なニューラルODEモデルを実現する。
このような変数は潜時微分関数を制御でき、また潜時変数から観測値へのマッピングをパラメータ化することができる。
時間不変変数を明示的にモデル化することにより,最近の表現学習の進歩を活用できる。
本稿では,これらの変数の学習を円滑に促進する自己指導的目的を導入することでこれを実証する。
低次元発振システムとビデオシーケンスの実験により, 異なる回転速度, 書式, 摩擦定数などの変動要因を学習データに含める場合, 遠絡モデルにより長期予測が向上することが判明した。
関連論文リスト
- Equivariant Graph Neural Operator for Modeling 3D Dynamics [153.9455825436751]
Equivariant Graph Neural Operator (EGNO) は,次のステップの予測に代えて,ダイナミックスを直接トラジェクトリとしてモデル化する,斬新で原理的な手法である。
EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。
粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文 参考訳(メタデータ) (2024-01-19T21:50:32Z) - Learning Neural Constitutive Laws From Motion Observations for
Generalizable PDE Dynamics [97.38308257547186]
多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。
PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。
そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
論文 参考訳(メタデータ) (2023-04-27T17:42:24Z) - ConCerNet: A Contrastive Learning Based Framework for Automated
Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。
本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文 参考訳(メタデータ) (2023-02-11T21:07:30Z) - Metalearning generalizable dynamics from trajectories [4.4466356883131155]
本稿では,解釈可能なメタニューラル常微分方程式 (iMODE) を用いて,パラメータ固有ではない) のダイナミクスを高速に学習する。
iMODE法は物理パラメータを知らずに動的システムインスタンスの力場の機能的変動であるメタ知識を学習する。
We test the whether of the iMODE method on bistable, double pendulum, Van der Pol, Slinky, and reaction-diffusion system。
論文 参考訳(メタデータ) (2023-01-03T06:04:28Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳(メタデータ) (2022-07-21T12:11:18Z) - Neural Modal ODEs: Integrating Physics-based Modeling with Neural ODEs
for Modeling High Dimensional Monitored Structures [9.065343126886093]
本稿では、物理に基づくモデリングとディープラーニングを統合するためのフレームワーク、Neural Modal ODEを提案する。
オートエンコーダは、観測データの最初の数項目から潜伏変数の初期値までの抽象的なマッピングを学習する。
提案モデルの復号器は, 線形化部分に適用された固有解析から導出した固有モードを物理モデルに適用する。
論文 参考訳(メタデータ) (2022-07-16T09:30:20Z) - Neural Laplace: Learning diverse classes of differential equations in
the Laplace domain [86.52703093858631]
本稿では,これらすべてを含む多種多様な微分方程式(DE)を学習するための統一的な枠組みを提案する。
時間領域の力学をモデル化する代わりに、ラプラス領域でモデル化する。
The experiment, Neural Laplace shows excellent performance in modelling and extrapolating the trajectories of various class of DEs。
論文 参考訳(メタデータ) (2022-06-10T02:14:59Z) - Incorporating NODE with Pre-trained Neural Differential Operator for
Learning Dynamics [73.77459272878025]
ニューラル微分演算子(NDO)の事前学習による動的学習における教師付き信号の強化を提案する。
NDOは記号関数のクラスで事前訓練され、これらの関数の軌跡サンプルとそれらの導関数とのマッピングを学習する。
我々は,NDOの出力が,ライブラリの複雑さを適切に調整することで,基礎となる真理微分を適切に近似できることを理論的に保証する。
論文 参考訳(メタデータ) (2021-06-08T08:04:47Z) - Bayesian Neural Ordinary Differential Equations [0.9422623204346027]
Neural ODEs と Bayesian 推論フレームワークの統合が成功したことを実証します。
10,000枚の画像のテストアンサンブルで、後部のサンプル精度を98.5%達成します。
これにより、不確実性の確率的推定のための科学的機械学習ツールが提供される。
論文 参考訳(メタデータ) (2020-12-14T04:05:26Z) - Go with the Flow: Adaptive Control for Neural ODEs [10.265713480189484]
ニューラル制御ODE(N-CODE)と呼ばれる新しいモジュールについて述べる。
N-CODEモジュールは、初期または現在のアクティベーション状態からトレーニング可能なマップによって制御される動的変数である。
単一モジュールは、適応的に神経表現を駆動する非自律フロー上の分布を学ぶのに十分である。
論文 参考訳(メタデータ) (2020-06-16T22:21:15Z)
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。