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
- On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳（メタデータ） (2024-05-18T15:59:41Z) - Predictive Modeling in the Reservoir Kernel Motif Space [0.9217021281095907]
本研究では,線形貯水池のカーネルビューに基づく時系列予測手法を提案する。
我々は、我々のアプローチがコア貯水池モデルとどのように関係しているかについての光を遮蔽するアプローチの幾何学的解釈を提供する。
実験では,提案モデルの予測性能と最近の最先端変圧器モデルとの比較を行った。
論文 参考訳（メタデータ） (2024-05-11T16:12:25Z) - Improving Diffusion Models for Inverse Problems Using Optimal Posterior Covariance [52.093434664236014]
近年の拡散モデルは、特定の逆問題に対して再訓練することなく、ノイズの多い線形逆問題に対する有望なゼロショット解を提供する。
この発見に触発されて、我々は、最大推定値から決定されるより原理化された共分散を用いて、最近の手法を改善することを提案する。
論文 参考訳（メタデータ） (2024-02-03T13:35:39Z) - 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) - A Geometric Perspective on Diffusion Models [57.27857591493788]
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について検討する。
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) - 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。