Fugu-MT 論文翻訳(概要): OS-net: Orbitally Stable Neural Networks

論文の概要: OS-net: Orbitally Stable Neural Networks

arxiv url: http://arxiv.org/abs/2309.14822v1
Date: Tue, 26 Sep 2023 10:40:04 GMT
ステータス: 処理完了
システム内更新日: 2023-09-27 14:02:20.714577
Title: OS-net: Orbitally Stable Neural Networks
Title（参考訳）: OS-net: 軌道安定ニューラルネットワーク
Authors: Marieme Ngom and Carlo Graziani
Abstract要約: 我々は,周期的動的データに特化して設計されたニューラルネットワークアーキテクチャの新たなファミリであるOS-netを紹介する。ネットワーク重みの条件を導出し、結果のダイナミクスの安定性を確保する。我々は,OS-netを応用して,R"ossler"と"Sprott"のシステムの基盤となるダイナミクスを発見することによって,我々のアプローチの有効性を実証する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We introduce OS-net (Orbitally Stable neural NETworks), a new family of neural network architectures specifically designed for periodic dynamical data. OS-net is a special case of Neural Ordinary Differential Equations (NODEs) and takes full advantage of the adjoint method based backpropagation method. Utilizing ODE theory, we derive conditions on the network weights to ensure stability of the resulting dynamics. We demonstrate the efficacy of our approach by applying OS-net to discover the dynamics underlying the R\"{o}ssler and Sprott's systems, two dynamical systems known for their period doubling attractors and chaotic behavior.
Abstract（参考訳）: os-net (orbitally stable neural networks) は周期的動的データ専用に設計された新しいニューラルネットワークアーキテクチャである。 OS-netはニューラル正規微分方程式(NODE)の特殊な場合であり、随伴法に基づくバックプロパゲーション法を最大限に活用する。 ODE理論を用いることで、ネットワーク重みの条件を導出し、結果のダイナミクスの安定性を確保する。我々はOS-netを適用してR\"{o}ssler と Sprott のシステムの基盤となる力学を解明し,このアプローチの有効性を実証する。

関連論文リスト

Explicit construction of recurrent neural networks effectively approximating discrete dynamical systems [0.0]
我々は、再帰性を持つ力学系に由来する任意の有界離散時系列を考える。我々は、対応する離散力学系を効果的に近似する、リカレントニューラルネットワークの明示的な構築を提供する。
論文参考訳（メタデータ） (2024-09-28T07:59:45Z)
Learning Governing Equations of Unobserved States in Dynamical Systems [0.0]
我々は、部分的に観測された力学系の制御方程式を学習するために、ハイブリッドニューラルネットワークODE構造を用いる。本手法は, 観測されていない状態の真の支配方程式の学習に有効であることを示す。
論文参考訳（メタデータ） (2024-04-29T10:28:14Z)
Systematic construction of continuous-time neural networks for linear dynamical systems [0.0]
本稿では,動的システムのサブクラスをモデル化するためのニューラルネットワーク構築の体系的アプローチについて論じる。我々は、各ニューロンの出力が1次または2次常微分方程式(ODE)の解として連続的に進化する連続時間ニューラルネットワークの変種を用いる。データからネットワークアーキテクチャとパラメータを導出する代わりに、所定のLTIシステムから直接スパースアーキテクチャとネットワークパラメータを計算するための勾配のないアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-03-24T16:16:41Z)
Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文参考訳（メタデータ） (2024-02-20T15:23:24Z)
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)
ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2023-02-11T21:07:30Z)
Learning Trajectories of Hamiltonian Systems with Neural Networks [81.38804205212425]
本稿では,モデル系の連続時間軌跡を推定し,ハミルトニアンニューラルネットワークを強化することを提案する。提案手法は, 低サンプリング率, ノイズ, 不規則な観測において, HNNに対して有効であることを示す。
論文参考訳（メタデータ） (2022-04-11T13:25:45Z)
Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文参考訳（メタデータ） (2021-11-02T10:51:42Z)
DyNODE: Neural Ordinary Differential Equations for Dynamics Modeling in Continuous Control [0.0]
本稿では,ニューラル常微分方程式の枠組みに制御を組み込むことにより,システムの基盤となる力学を捉える新しい手法を提案する。以上の結果から,アクター批判強化学習アルゴリズムと組み合わせた単純なDyNODEアーキテクチャが,標準ニューラルネットワークより優れていることが示唆された。
論文参考訳（メタデータ） (2020-09-09T12:56:58Z)
Neural Dynamical Systems: Balancing Structure and Flexibility in Physical Prediction [14.788494279754481]
各種グレーボックス設定における動的モデルの学習方法であるNeural Dynamical Systems (NDS)を紹介する。 NDSはニューラルネットワークを使用してシステムの自由パラメータを推定し、残余項を予測し、将来状態を予測するために時間とともに数値的に統合する。
論文参考訳（メタデータ） (2020-06-23T00:50:48Z)
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)

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。