論文の概要: Learning Continuous Network Emerging Dynamics from Scarce Observations
via Data-Adaptive Stochastic Processes
- arxiv url: http://arxiv.org/abs/2310.16466v1
- Date: Wed, 25 Oct 2023 08:44:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 15:44:14.520836
- Title: Learning Continuous Network Emerging Dynamics from Scarce Observations
via Data-Adaptive Stochastic Processes
- Title（参考訳）: データ適応確率過程によるスカース観測からの連続ネットワーク創発ダイナミクスの学習
- Authors: Jiaxu Cui, Bingyi Sun, Jiming Liu, Bo Yang
- Abstract要約: 我々は、データ適応型ネットワークダイナミクスによって制御される新しいプロセスのクラスであるODE Processs for Network Dynamics (NDP4ND)を紹介する。
提案手法はデータと計算効率に優れており,未確認のネットワークに適応できることを示す。
- 参考スコア（独自算出の注目度）: 11.494631894700253
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning network dynamics from the empirical structure and spatio-temporal
observation data is crucial to revealing the interaction mechanisms of complex
networks in a wide range of domains. However, most existing methods only aim at
learning network dynamic behaviors generated by a specific ordinary
differential equation instance, resulting in ineffectiveness for new ones, and
generally require dense observations. The observed data, especially from
network emerging dynamics, are usually difficult to obtain, which brings
trouble to model learning. Therefore, how to learn accurate network dynamics
with sparse, irregularly-sampled, partial, and noisy observations remains a
fundamental challenge. We introduce Neural ODE Processes for Network Dynamics
(NDP4ND), a new class of stochastic processes governed by stochastic
data-adaptive network dynamics, to overcome the challenge and learn continuous
network dynamics from scarce observations. Intensive experiments conducted on
various network dynamics in ecological population evolution, phototaxis
movement, brain activity, epidemic spreading, and real-world empirical systems,
demonstrate that the proposed method has excellent data adaptability and
computational efficiency, and can adapt to unseen network emerging dynamics,
producing accurate interpolation and extrapolation with reducing the ratio of
required observation data to only about 6\% and improving the learning speed
for new dynamics by three orders of magnitude.
- Abstract（参考訳）: 経験的構造と時空間観測データからネットワークダイナミクスを学習することは、幅広い領域における複雑なネットワークの相互作用メカニズムを明らかにする上で重要である。
しかし、既存の手法のほとんどは、特定の常微分方程式のインスタンスによって生成されるネットワークの動的挙動を学習することだけを目標としており、その結果、新しいものに対しては非効率となり、一般に密接な観察を必要とする。
観測されたデータ、特にネットワークの創発的なダイナミクスは、通常取得が困難であり、モデル学習に問題を引き起こす。
したがって、スパース、不規則にサンプリングされた部分的、ノイズの多い観測で正確なネットワーク力学を学習する方法は、依然として根本的な課題である。
NDP4ND(Neural ODE Processs for Network Dynamics)は、確率的データ適応型ネットワークダイナミクスによって制御される新しい確率的プロセスのクラスであり、この課題を克服し、少ない観測から連続的なネットワークダイナミクスを学習する。
Intensive experiments conducted on various network dynamics in ecological population evolution, phototaxis movement, brain activity, epidemic spreading, and real-world empirical systems, demonstrate that the proposed method has excellent data adaptability and computational efficiency, and can adapt to unseen network emerging dynamics, producing accurate interpolation and extrapolation with reducing the ratio of required observation data to only about 6\% and improving the learning speed for new dynamics by three orders of magnitude.
関連論文リスト
- Dynamical stability and chaos in artificial neural network trajectories along training [3.379574469735166]
浅いニューラルネットワークのネットワーク軌跡をこのレンズを通して解析することにより,このプロセスの動的特性について検討する。
我々は,学習率の仕組みによって,規則的かつカオス的な行動のヒントを見いだす。
この研究は、力学系理論、ネットワーク理論、機械学習のアイデアの交叉受精にも貢献している。
論文 参考訳（メタデータ） (2024-04-08T17:33:11Z) - 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) - Do We Need an Encoder-Decoder to Model Dynamical Systems on Networks? [18.92828441607381]
埋め込みは観察によく適合するが、同時に誤った動的挙動を持つモデルを誘導することを示す。
2つの加法的ベクトル場成分をパラメトリした単純な埋め込み自由な代替法を提案する。
論文 参考訳（メタデータ） (2023-05-20T12:41:47Z) - Decomposed Linear Dynamical Systems (dLDS) for learning the latent
components of neural dynamics [6.829711787905569]
本稿では,時系列データの非定常および非線形の複雑なダイナミクスを表現した新しい分解力学系モデルを提案する。
我々のモデルは辞書学習によって訓練され、最近の結果を利用してスパースベクトルを時間とともに追跡する。
連続時間と離散時間の両方の指導例において、我々のモデルは元のシステムによく近似できることを示した。
論文 参考訳（メタデータ） (2022-06-07T02:25:38Z) - Learning Individual Interactions from Population Dynamics with Discrete-Event Simulation Model [9.827590402695341]
複雑なシステム力学の離散時間シミュレーション表現を学習する可能性について検討する。
この結果から,本アルゴリズムは,意味のあるイベントを持つ複数のフィールドにおいて,複雑なネットワークダイナミクスをデータ効率よくキャプチャできることがわかった。
論文 参考訳（メタデータ） (2022-05-04T21:33:56Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - 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) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z) - Deep learning of contagion dynamics on complex networks [0.0]
本稿では,ネットワーク上での感染動態の効果的なモデルを構築するために,ディープラーニングに基づく補完的アプローチを提案する。
任意のネットワーク構造をシミュレーションすることで,学習したダイナミックスの性質を学習データを超えて探索することが可能になる。
この結果は,ネットワーク上での感染動態の効果的なモデルを構築するために,ディープラーニングが新たな補完的な視点を提供することを示す。
論文 参考訳（メタデータ） (2020-06-09T17:18:34Z) - The large learning rate phase of deep learning: the catapult mechanism [50.23041928811575]
問題解決可能なトレーニングダイナミクスを備えたニューラルネットワークのクラスを提示する。
現実的なディープラーニング環境において,モデルの予測とトレーニングのダイナミクスとの間には,よい一致がある。
我々の結果は、異なる学習率でトレーニングされたモデルの特性に光を当てたと信じています。
論文 参考訳（メタデータ） (2020-03-04T17:52:48Z)
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。