論文の概要: A Constructive Approach to Function Realization by Neural Stochastic Differential Equations

• arxiv url: http://arxiv.org/abs/2307.00215v1
• Date: Sat, 1 Jul 2023 03:44:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-05 17:22:07.867819
• Title: A Constructive Approach to Function Realization by Neural Stochastic Differential Equations
• Title（参考訳）: ニューラル確率微分方程式による関数実現のための構成的アプローチ
• Authors: Tanya Veeravalli, Maxim Raginsky
• Abstract要約: システム力学における構造的制約を導入し、そのようなシステムで実現可能な関数のクラスを特徴付ける。 これらのシステムは、ニューラル微分方程式(ニューラルSDE)、決定論的力学系、読み出しマップのカスケード相互接続として実装される。
• 参考スコア（独自算出の注目度）: 11.764601181046496
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The problem of function approximation by neural dynamical systems has typically been approached in a top-down manner: Any continuous function can be approximated to an arbitrary accuracy by a sufficiently complex model with a given architecture. This can lead to high-complexity controls which are impractical in applications. In this paper, we take the opposite, constructive approach: We impose various structural restrictions on system dynamics and consequently characterize the class of functions that can be realized by such a system. The systems are implemented as a cascade interconnection of a neural stochastic differential equation (Neural SDE), a deterministic dynamical system, and a readout map. Both probabilistic and geometric (Lie-theoretic) methods are used to characterize the classes of functions realized by such systems.
• Abstract（参考訳）: 神経力学系による関数近似の問題は、一般にトップダウンの方法でアプローチされてきた: 任意の連続関数は、与えられたアーキテクチャを持つ十分複雑なモデルによって任意の精度に近似することができる。 これはアプリケーションで非現実的な高複雑さ制御につながる可能性がある。 本稿では,システムダイナミクスに様々な構造的制約を課し,そのようなシステムで実現可能な関数のクラスを特徴付けるという,反対の構成的アプローチを取り上げる。 これらのシステムは、ニューラル確率微分方程式(ニューラルSDE)、決定論的力学系、読み出しマップのカスケード相互接続として実装される。 確率的および幾何学的(リー理論)な手法は、そのようなシステムによって実現された関数のクラスを特徴づけるために用いられる。

関連論文リスト

• Learning Controlled Stochastic Differential Equations [61.82896036131116]
  本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。 我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。 当社のメソッドはオープンソースPythonライブラリとして利用可能です。
  論文  参考訳（メタデータ） (2024-11-04T11:09:58Z)
• Sparse identification of quasipotentials via a combined data-driven method [4.599618895656792]
  我々は、ニューラルネットワークとスパース回帰アルゴリズムという2つのデータ駆動手法を組み合わせて機械学習を活用し、擬ポテンシャル関数の記号表現を得る。 提案手法は, 未知の正準ポテンシャルモデルと, ナノメカニカル共振器のダイナミックスに対して, 擬似準ポテンシャル方程式を求めるものである。
  論文  参考訳（メタデータ） (2024-07-06T11:27:52Z)
• Deep Neural Network Approximation of Invariant Functions through Dynamical Systems [15.716533830931766]
  動的システムのフローマップを用いて入力指標の特定の置換に対して不変な関数の近似について検討する。 このような不変関数は、画像タスクを含む多くの研究された翻訳不変関数を含むが、科学や工学における新たな応用を見出す多くの置換不変関数も含む。
  論文  参考訳（メタデータ） (2022-08-18T08:36:16Z)
• 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)
• 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)
• Decimation technique for open quantum systems: a case study with driven-dissipative bosonic chains [62.997667081978825]
  量子系の外部自由度への不可避結合は、散逸(非単体)ダイナミクスをもたらす。 本稿では,グリーン関数の(散逸的な)格子計算に基づいて,これらのシステムに対処する手法を提案する。 本手法のパワーを,複雑性を増大させる駆動散逸型ボゾン鎖のいくつかの例で説明する。
  論文  参考訳（メタデータ） (2022-02-15T19:00:09Z)
• Learning stochastic dynamical systems with neural networks mimicking the Euler-Maruyama scheme [14.436723124352817]
  本稿では,SDEのパラメータを組み込みのSDE統合方式でニューラルネットワークで表現するデータ駆動手法を提案する。 このアルゴリズムは、幾何学的ブラウン運動とロレンツ-63モデルのバージョンに適用される。
  論文  参考訳（メタデータ） (2021-05-18T11:41:34Z)
• Learning Neural Event Functions for Ordinary Differential Equations [31.474420819149724]
  ニューラルイベント関数を暗黙的に定義した終端基準に拡張する。 離散制御に応用した点過程のシミュレーションに基づくトレーニングを提案する。
  論文  参考訳（メタデータ） (2020-11-08T04:33:54Z)
• Differentiable Implicit Layers [37.14578406197477]
  本稿では,非制約な暗黙関数に対する効率的なバックプロパゲーション手法を提案する。 提案手法は,暗黙的オイラー法によるニューラルODE,モデル予測制御におけるシステム同定など,様々な応用について実証する。
  論文  参考訳（メタデータ） (2020-10-14T13:26:27Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• 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)

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。