Fugu-MT 論文翻訳(概要): Detecting disturbances in network-coupled dynamical systems with machine learning

論文の概要: Detecting disturbances in network-coupled dynamical systems with machine learning

arxiv url: http://arxiv.org/abs/2307.12771v1
Date: Mon, 24 Jul 2023 13:19:15 GMT
ステータス: 処理完了
システム内更新日: 2023-07-25 14:24:07.004384
Title: Detecting disturbances in network-coupled dynamical systems with machine learning
Title（参考訳）: 機械学習によるネットワーク結合力学系の外乱検出
Authors: Per Sebastian Skardal and Juan G. Restrepo
Abstract要約: ネットワーク内の未知の障害を識別するための機械学習に基づくモデルフリー手法を提案する。本手法は, 未知の乱れの多種多様な位置と特性を, 既知の強制関数を用いて同定できることが判明した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Identifying disturbances in network-coupled dynamical systems without knowledge of the disturbances or underlying dynamics is a problem with a wide range of applications. For example, one might want to know which nodes in the network are being disturbed and identify the type of disturbance. Here we present a model-free method based on machine learning to identify such unknown disturbances based only on prior observations of the system when forced by a known training function. We find that this method is able to identify the locations and properties of many different types of unknown disturbances using a variety of known forcing functions. We illustrate our results both with linear and nonlinear disturbances using food web and neuronal activity models. Finally, we discuss how to scale our method to large networks.
Abstract（参考訳）: ネットワーク結合力学系における乱れの同定は、乱れや基礎となる力学の知識を必要とせず、幅広い応用において問題となる。例えば、ネットワーク内のどのノードが乱れているのかを知り、障害の種類を特定したい場合もあります。本稿では,機械学習に基づくモデルフリー手法を用いて,既知の学習関数によって強制されたシステムの事前観測のみに基づいて,未知の障害を識別する。この手法は, 様々な既知の強制関数を用いて, 様々な未知な外乱の位置と特性を識別できることがわかった。本研究は,食物網と神経活動モデルを用いて,線形および非線形の障害について述べる。最後に,本手法を大規模ネットワークに拡張する方法について述べる。

関連論文リスト

Discovering Governing equations from Graph-Structured Data by Sparse Identification of Nonlinear Dynamical Systems [0.27624021966289597]
グラフ構造化データ(SINDyG)から動的システムのスパース同定法を開発した。 SINDyGは、ネットワーク構造をスパースレグレッションに組み込んで、基礎となるネットワーク力学を説明するモデルパラメータを識別する。
論文参考訳（メタデータ） (2024-09-02T17:51:37Z)
Suppressing unknown disturbances to dynamical systems using machine learning [0.0]
本研究では,未知のシステムに対して未知の障害を特定し,抑制するためのモデルフリーな手法を提案する。トレーニング関数の極めて穏やかな制限の下で,本手法は未知の乱れを強く識別し,抑制することができる。
論文参考訳（メタデータ） (2023-06-19T20:20:10Z)
How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文参考訳（メタデータ） (2023-06-04T08:53:27Z)
Pseudo-Hamiltonian system identification [0.0]
一階常微分方程式としてモデル化できるシステムを考える。モデルが未知の減衰や外乱の影響を受けないデータに基づいて訓練されたとしても、内部力学の分析用語を学習することができる。
論文参考訳（メタデータ） (2023-05-09T15:22:05Z)
Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文参考訳（メタデータ） (2023-04-21T02:20:24Z)
Noise Injection as a Probe of Deep Learning Dynamics [0.0]
ノイズインジェクションノード(NIN)を用いたシステム摂動により,ディープニューラルネットワーク(DNN)の学習メカニズムを探索する新しい手法を提案する。このシステムは,音の音量によって予測される訓練中に異なる位相を呈することがわかった。ノイズノードの進化は、乱れのない損失のそれと似ており、NINを使って将来、完全なシステムについてより深く学ぶ可能性を示している。
論文参考訳（メタデータ） (2022-10-24T20:51:59Z)
Learning Fine Scale Dynamics from Coarse Observations via Inner Recurrence [0.0]
最近の研究は、ディープニューラルネットワーク(DNN)による未知のシステムの進化に関するデータ駆動学習に焦点を当てている。本稿では,このような粗い観測データから微細な力学を学習するための計算手法を提案する。
論文参考訳（メタデータ） (2022-06-03T20:28:52Z)
Characterizing possible failure modes in physics-informed neural networks [55.83255669840384]
科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
論文参考訳（メタデータ） (2021-09-02T16:06:45Z)
A neural anisotropic view of underspecification in deep learning [60.119023683371736]
ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
論文参考訳（メタデータ） (2021-04-29T14:31:09Z)
Learning Contact Dynamics using Physically Structured Neural Networks [81.73947303886753]
ディープニューラルネットワークと微分方程式の接続を用いて、オブジェクト間の接触ダイナミクスを表現するディープネットワークアーキテクチャのファミリを設計する。これらのネットワークは,ノイズ観測から不連続な接触事象をデータ効率良く学習できることを示す。以上の結果から,タッチフィードバックの理想化形態は,この学習課題を扱いやすくするための重要な要素であることが示唆された。
論文参考訳（メタデータ） (2021-02-22T17:33:51Z)
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)

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。