論文の概要: Learning unidirectional coupling using echo-state network
- arxiv url: http://arxiv.org/abs/2303.13562v1
- Date: Thu, 23 Mar 2023 07:18:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-27 17:07:45.458078
- Title: Learning unidirectional coupling using echo-state network
- Title（参考訳）: エコー状態ネットワークを用いた一方向結合学習
- Authors: Swarnendu Mandal and Manish Dev Shrimali
- Abstract要約: エコー状態ネットワークモデルは,システムの時系列データから一方向結合方式を学習させる。
ドライブ-レスポンスシステムのいくつかの例をトレーニングすると、同じ結合を持つ任意のドライバ信号に対して、マシンが応答システムのダイナミクスを予測できることが示される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Reservoir Computing has found many potential applications in the field of
complex dynamics. In this article, we exploit the exceptional capability of the
echo-state network (ESN) model to make it learn a unidirectional coupling
scheme from only a few time series data of the system. We show that, once
trained with a few example dynamics of a drive-response system, the machine is
able to predict the response system's dynamics for any driver signal with the
same coupling. Only a few time series data of an $A-B$ type drive-response
system in training is sufficient for the ESN to learn the coupling scheme.
After training even if we replace drive system $A$ with a different system $C$,
the ESN can reproduce the dynamics of response system $B$ using the dynamics of
new drive system $C$ only.
- Abstract（参考訳）: 貯留層コンピューティングは、複雑なダイナミクスの分野で多くの潜在的な応用を見出した。
本稿では,エコー状態ネットワーク(ESN)モデルの異常な機能を利用して,システムの時系列データから一方向結合方式を学習する。
ドライブ-レスポンスシステムのいくつかの例をトレーニングすると、同じ結合を持つ任意のドライバ信号に対して、マシンが応答システムのダイナミクスを予測することができることを示す。
トレーニング中のA-B$型駆動応答システムの時系列データだけで、ESNが結合スキームを学習するのに十分である。
もし私たちがドライブシステム$A$を別のシステム$C$に置き換えたとしても、ESNは新しいドライブシステム$C$のみのダイナミクスを使用してレスポンスシステムの$B$を再現することができる。
関連論文リスト
- Automated quantum system modeling with machine learning [0.0]
機械学習アルゴリズムは、簡単な量子力学測定のセットを考慮し、量子モデルを構築することができることを示す。
我々は、マルコフのオープン量子システムのシミュレーションを通して、ニューラルネットワークが有効状態の$N$を自動的に検出できることを示した。
論文 参考訳（メタデータ） (2024-09-27T15:18:20Z) - Learning System Dynamics without Forgetting [60.08612207170659]
未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。
本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。
生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
論文 参考訳（メタデータ） (2024-06-30T14:55:18Z) - Learning Governing Equations of Unobserved States in Dynamical Systems [0.0]
我々は、部分的に観測された力学系の制御方程式を学習するために、ハイブリッドニューラルネットワークODE構造を用いる。
本手法は, 観測されていない状態の真の支配方程式の学習に有効であることを示す。
論文 参考訳（メタデータ） (2024-04-29T10:28:14Z) - Controlling dynamical systems to complex target states using machine
learning: next-generation vs. classical reservoir computing [68.8204255655161]
機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。
まず, 従来の貯水池計算が優れていることを示す。
次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。
その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
論文 参考訳（メタデータ） (2023-07-14T07:05:17Z) - Compositional Learning of Dynamical System Models Using Port-Hamiltonian
Neural Networks [32.707730631343416]
データから動的システムの複合モデルを学ぶためのフレームワークを提案する。
ニューラルネットワークサブモデルは、比較的単純なサブシステムによって生成された軌跡データに基づいて訓練される。
提案するフレームワークの新機能を数値例で示す。
論文 参考訳（メタデータ） (2022-12-01T22:22:38Z) - Neural Capacitance: A New Perspective of Neural Network Selection via
Edge Dynamics [85.31710759801705]
現在の実践は、性能予測のためのモデルトレーニングにおいて高価な計算コストを必要とする。
本稿では,学習中のシナプス接続(エッジ)上の制御ダイナミクスを解析し,ニューラルネットワーク選択のための新しいフレームワークを提案する。
我々のフレームワークは、ニューラルネットワークトレーニング中のバックプロパゲーションがシナプス接続の動的進化と等価であるという事実に基づいて構築されている。
論文 参考訳（メタデータ） (2022-01-11T20:53:15Z) - Learning Networked Linear Dynamical Systems under Non-white Excitation
from a Single Trajectory [0.0]
本研究では, 時間間隔$T$のノイズ軌道の観測から, 相互作用/依存性のグラフを学習する問題について検討する。
この問題に対する正規化非因果一貫性推定器を提案し、その2つの状態におけるサンプルの複雑さを解析する。
論文 参考訳（メタデータ） (2021-10-02T17:33:16Z) - Controlling nonlinear dynamical systems into arbitrary states using
machine learning [77.34726150561087]
機械学習(ML)を活用した,新しい完全データ駆動制御方式を提案する。
最近開発されたMLに基づく複雑なシステムの予測機能により、非線形系は任意の初期状態から来る任意の動的対象状態に留まることが証明された。
必要なデータ量が少なく,柔軟性の高いコントロールスキームを備えることで,工学から医学まで幅広い応用の可能性について簡単に議論する。
論文 参考訳（メタデータ） (2021-02-23T16:58:26Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳（メタデータ） (2020-10-29T08:27:43Z) - Inferring Global Dynamics Using a Learning Machine [5.07635313657742]
学習機械を用いてある程度の目標を達成することができることを示す。
単調にコスト関数を減少させる適切なトレーニング戦略に従って、異なるトレーニング段階の学習機は異なるパラメータセットでシステムを模倣することができる。
論文 参考訳（メタデータ） (2020-09-28T02:54:44Z) - 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。