論文の概要: Predicting Ordinary Differential Equations with Transformers
- arxiv url: http://arxiv.org/abs/2307.12617v1
- Date: Mon, 24 Jul 2023 08:46:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 15:02:30.995407
- Title: Predicting Ordinary Differential Equations with Transformers
- Title(参考訳): 変圧器を用いた常微分方程式の予測
- Authors: S\"oren Becker, Michal Klein, Alexander Neitz, Giambattista
Parascandolo, Niki Kilbertus
- Abstract要約: 単一溶液軌道の不規則サンプリングおよび雑音観測から,スカラー常微分方程式(ODE)を記号形式で復元するトランスフォーマーに基づくシーケンス・ツー・シーケンス・モデルを開発した。
提案手法は, 1回に一度, ODE の大規模な事前訓練を行った後, モデルのいくつかの前方通過において, 新たな観測解の法則を推測することができる。
- 参考スコア(独自算出の注目度): 65.07437364102931
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We develop a transformer-based sequence-to-sequence model that recovers
scalar ordinary differential equations (ODEs) in symbolic form from irregularly
sampled and noisy observations of a single solution trajectory. We demonstrate
in extensive empirical evaluations that our model performs better or on par
with existing methods in terms of accurate recovery across various settings.
Moreover, our method is efficiently scalable: after one-time pretraining on a
large set of ODEs, we can infer the governing law of a new observed solution in
a few forward passes of the model.
- Abstract(参考訳): 単一溶液軌道の不規則サンプリングおよび雑音観測から,スカラー常微分方程式(ODE)を記号形式で復元するトランスフォーマーに基づくシーケンス・ツー・シーケンス・モデルを開発した。
各種設定の精度向上の観点から,本モデルが既存手法と同等あるいは同等に動作することを示す実験的な評価を行った。
さらに,本手法は効率よく拡張可能であり,大量のODEに対して1回の事前学習を行った後,新しい観測解の法則をモデルの前方通過で推測することができる。
関連論文リスト
- Invertible Solution of Neural Differential Equations for Analysis of
Irregularly-Sampled Time Series [4.14360329494344]
本稿では,不規則な時系列データと不完全時系列データの複雑度を扱うために,ニューラル微分方程式(NDE)に基づく非可逆解を提案する。
計算負荷を低く抑えながら可逆性を確保するニューラルフローを用いたニューラル制御微分方程式(Neural Controlled Differential Equations, ニューラルCDE)の変動について提案する。
我々のアプローチの核となるのは拡張された二重潜在状態アーキテクチャであり、様々な時系列タスクにおいて高精度に設計されている。
論文 参考訳(メタデータ) (2024-01-10T07:51:02Z) - ODEFormer: Symbolic Regression of Dynamical Systems with Transformers [47.75031734856786]
本稿では,多次元常微分方程式(ODE)を記号形式で推定できる最初の変換器ODEFormerを紹介する。
i) 既存の2次元システムを含む「ストロガッツ」データセット、(ii) 1次元から4次元システムの集合であるODEBench。
論文 参考訳(メタデータ) (2023-10-09T09:54:12Z) - Solving Linear Inverse Problems Provably via Posterior Sampling with
Latent Diffusion Models [98.95988351420334]
本稿では,事前学習した潜在拡散モデルを利用した線形逆問題の解法を初めて提案する。
線形モデル設定において,証明可能なサンプル回復を示すアルゴリズムを理論的に解析する。
論文 参考訳(メタデータ) (2023-07-02T17:21:30Z) - A Geometric Perspective on Diffusion Models [60.69328526215776]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングを検証し,そのサンプリングダイナミクスの興味深い構造を明らかにした。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳(メタデータ) (2023-05-31T15:33:16Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳(メタデータ) (2023-04-10T17:54:38Z) - Discovering ordinary differential equations that govern time-series [65.07437364102931]
本研究では, 1つの観測解の時系列データから, スカラー自律常微分方程式(ODE)を記号形式で復元するトランスフォーマーに基づくシーケンス・ツー・シーケンス・モデルを提案する。
提案手法は, 1回に一度, ODE の大規模な事前訓練を行った後, モデルのいくつかの前方通過において, 新たに観測された解の法則を推測することができる。
論文 参考訳(メタデータ) (2022-11-05T07:07:58Z) - STEER: Simple Temporal Regularization For Neural ODEs [80.80350769936383]
トレーニング中のODEの終了時刻をランダムにサンプリングする新しい正規化手法を提案する。
提案された正規化は実装が簡単で、オーバーヘッドを無視でき、様々なタスクで有効である。
本稿では,フローの正規化,時系列モデル,画像認識などの実験を通じて,提案した正規化がトレーニング時間を大幅に短縮し,ベースラインモデルよりも性能を向上できることを示す。
論文 参考訳(メタデータ) (2020-06-18T17:44:50Z) - Neural Controlled Differential Equations for Irregular Time Series [17.338923885534197]
通常の微分方程式はその初期条件によって決定され、その後の観測に基づいて軌道を調整するメカニズムは存在しない。
ここでは、Emph制御微分方程式のよく理解された数学を通して、これをどのように解決するかを示す。
実験により,本モデルが類似モデル (ODE や RNN をベースとした) に対して, 種々のデータセットに対する実験的検討において, 最先端の性能を実現することを示す。
論文 参考訳(メタデータ) (2020-05-18T17:52:21Z)
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。