Fugu-MT 論文翻訳(概要): Learning the Delay Using Neural Delay Differential Equations

論文の概要: Learning the Delay Using Neural Delay Differential Equations

arxiv url: http://arxiv.org/abs/2304.01329v1
Date: Mon, 3 Apr 2023 19:50:36 GMT
ステータス: 処理完了
システム内更新日: 2023-04-05 16:25:55.645241
Title: Learning the Delay Using Neural Delay Differential Equations
Title（参考訳）: ニューラル遅延微分方程式を用いた遅延学習
Authors: Maria Oprea and Mark Walth and Robert Stephany and Gabriella Torres Nothaft and Arnaldo Rodriguez-Gonzalez and William Clark
Abstract要約: 遅延微分方程式(DDE)に基づく連続時間ニューラルネットワークアプローチを開発する。我々のモデルは随伴感度法を用いてモデルパラメータを学習し、データから直接遅延する。我々は今後の方向性と応用について議論をまとめる。
参考スコア（独自算出の注目度）: 0.5505013339790825
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The intersection of machine learning and dynamical systems has generated considerable interest recently. Neural Ordinary Differential Equations (NODEs) represent a rich overlap between these fields. In this paper, we develop a continuous time neural network approach based on Delay Differential Equations (DDEs). Our model uses the adjoint sensitivity method to learn the model parameters and delay directly from data. Our approach is inspired by that of NODEs and extends earlier neural DDE models, which have assumed that the value of the delay is known a priori. We perform a sensitivity analysis on our proposed approach and demonstrate its ability to learn DDE parameters from benchmark systems. We conclude our discussion with potential future directions and applications.
Abstract（参考訳）: 機械学習と動的システムの交点は最近かなりの関心を集めている。ニューラルネットワークの常微分方程式(ノード)は、これらのフィールド間の重なりが豊富である。本稿では,遅延微分方程式(ddes)に基づく連続時間ニューラルネットワーク手法を提案する。本モデルでは,データからモデルパラメータと遅延を直接学習するために随伴感度法を用いる。我々のアプローチはNODEにインスパイアされ、遅延の値が先行値であることが仮定された初期のニューラルDDEモデルを拡張します。我々は,提案手法の感度解析を行い,ベンチマークシステムからddeパラメータを学習する能力を示す。我々は今後の方向性と応用の可能性で議論を終える。

関連論文リスト

A Deep Neural Network Framework for Solving Forward and Inverse Problems in Delay Differential Equations [12.888147363070749]
ディープニューラルネットワーク(DNN)に基づく遅延微分方程式(DDE)の統合フレームワークを提案する。このフレームワークは、DDEの多様な要件を満たすために遅延微分方程式をニューラルネットワークに埋め込むことができる。逆問題に対処する際、NDDEフレームワークは観測データを利用して単一の遅延パラメータや複数の遅延パラメータを正確に推定することができる。
論文参考訳（メタデータ） (2024-08-17T13:41:34Z)
Time and State Dependent Neural Delay Differential Equations [0.5249805590164901]
遅れた用語は、物理学や工学から医学、経済学まで、幅広い種類の問題の統治方程式で遭遇する。複数および状態依存の遅延と時間依存の遅延をモデル化できるフレームワークであるNeural State-Dependent DDEを導入する。提案手法は競争力があり,様々な遅延力学系における他の連続クラスモデルよりも優れていることを示す。
論文参考訳（メタデータ） (2023-06-26T09:35:56Z)
Neural Delay Differential Equations: System Reconstruction and Image Classification [14.59919398960571]
我々はニューラル遅延微分方程式 (Neural Delay Differential Equations, NDDEs) という,遅延を伴う連続深度ニューラルネットワークの新しいクラスを提案する。 NODE と比較して、NDDE はより強い非線形表現能力を持つ。我々は、合成されたデータだけでなく、よく知られた画像データセットであるCIFAR10に対しても、損失の低減と精度の向上を実現している。
論文参考訳（メタデータ） (2023-04-11T16:09:28Z)
Neural Basis Functions for Accelerating Solutions to High Mach Euler Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文参考訳（メタデータ） (2022-08-02T18:27:13Z)
Learning Time Delay Systems with Neural Ordinary Differential Equations [0.0]
トレーニング可能な遅延を持つニューラルネットワークを用いて遅延微分方程式を近似する。カオス的な振る舞いからのデータを用いて、マッキーグラス方程式の力学を学習する例を示す。
論文参考訳（メタデータ） (2022-06-28T20:59:44Z)
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)
Neural ODE Processes [64.10282200111983]
NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
論文参考訳（メタデータ） (2021-03-23T09:32:06Z)
Learning continuous-time PDEs from sparse data with graph neural networks [10.259254824702555]
本稿では、メッセージパッシンググラフニューラルネットワークにより制御方程式をパラメータ化した動的システムの連続時間差分モデルを提案する。モデルが非構造化グリッドで機能する能力、任意の時間ステップ、ノイズの多い観測を実演する。提案手法は,PDEと最先端予測性能の第一次・高次PDEを含む,既知の物理系に対する既存手法と比較する。
論文参考訳（メタデータ） (2020-06-16T07:15:40Z)
Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文参考訳（メタデータ） (2020-06-08T09:53:35Z)
Time Dependence in Non-Autonomous Neural ODEs [74.78386661760662]
時変重みを持つニューラルODEの新しいファミリーを提案する。我々は、速度と表現能力の両面で、従来のニューラルODEの変形よりも優れていた。
論文参考訳（メタデータ） (2020-05-05T01:41:46Z)

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。