論文の概要: Constructing interpretable principal curve using Neural ODEs
- arxiv url: http://arxiv.org/abs/2311.09274v1
- Date: Wed, 15 Nov 2023 16:46:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-17 18:06:17.230624
- Title: Constructing interpretable principal curve using Neural ODEs
- Title（参考訳）: ニューラルODEを用いた解釈可能な主曲線の構成
- Authors: Guangzheng Zhang, Bingxian Xu
- Abstract要約: 動的に空間を特徴付けることのできるフレームワークを開発する。
主流れは粒子の運動を誘導し、粒子の軌道はデータセットの主曲線に似ている。
このフレームワークは, 様々な複雑度の形状を特徴付けるのに有効であり, 緩和力学の要約を組み込むには柔軟であることを示す。
- 参考スコア（独自算出の注目度）: 0.2900810893770134
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The study of high dimensional data sets often rely on their low dimensional
projections that preserve the local geometry of the original space. While
numerous methods have been developed to summarize this space as variations of
tree-like structures, they are usually non-parametric and "static" in nature.
As data may come from systems that are dynamical such as a differentiating
cell, a static, non-parametric characterization of the space may not be the
most appropriate. Here, we developed a framework, the principal flow, that is
capable of characterizing the space in a dynamical manner. The principal flow,
defined using neural ODEs, directs motion of a particle through the space,
where the trajectory of the particle resembles the principal curve of the
dataset. We illustrate that our framework can be used to characterize shapes of
various complexities, and is flexible to incorporate summaries of relaxation
dynamics.
- Abstract（参考訳）: 高次元データセットの研究は、しばしば元の空間の局所幾何学を保存する低次元射影に依存する。
木のような構造のバリエーションとしてこの空間を要約するために多くの方法が開発されてきたが、通常は非パラメトリックで「静的」である。
データは、微分セルのような動的システムから来る可能性があるので、空間の静的で非パラメトリックな特徴づけは、最も適切ではないかもしれない。
そこで我々は,この空間を動的に特徴付けることのできる,主流れという枠組みを開発した。
ニューラルネットワークを用いて定義された主流れは、粒子の軌道がデータセットの主曲線に類似している空間を通して粒子の動きを誘導する。
このフレームワークは様々な複雑な形状を特徴付けるのに利用でき、緩和力学の要約を組み込むのに柔軟である。
関連論文リスト
- Geometric Principles for Machine Learning of Dynamical Systems [0.0]
本稿では,構造的一般化を実現するために,構造に富む幾何学的空間を機械学習に活用することを提案する。
本稿では,線形時間不変力学系の機械学習を通して,この考え方を説明する。
論文 参考訳（メタデータ） (2025-02-19T17:28:40Z) - Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
本稿では,保護インフォームドGNN(CiGNN)について紹介する。
このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。
結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
論文 参考訳（メタデータ） (2024-12-30T13:55:59Z) - Data-driven Modeling of Granular Chains with Modern Koopman Theory [0.20971479389679332]
ディープニューラルネットワークは、グラニュラーシステムの本質的な非線形性を高次元線型空間に展開する潜在空間にダイナミクスをマッピングできることを示す。
提案するフレームワークは,物理モデルに関する前提を課すことなく,基礎となる力学を直接捉えることができる。
論文 参考訳（メタデータ） (2024-11-01T02:36:17Z) - Geometric Trajectory Diffusion Models [58.853975433383326]
生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。
既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。
本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
論文 参考訳（メタデータ） (2024-10-16T20:36:41Z) - Data-Free Learning of Reduced-Order Kinematics [54.85157881323157]
画像が多様だが低エネルギーな構成のサブ多様体をパラメータ化する低次元マップを作成する。
サブスペースを低次元潜在ベクトルを全構成空間にマッピングするニューラルネットワークとして表現する。
この定式化は、非常に一般的な物理系において有効である。
論文 参考訳（メタデータ） (2023-05-05T20:53:36Z) - Autoencoders for discovering manifold dimension and coordinates in data
from complex dynamical systems [0.0]
Autoencoder frameworkは暗黙の正則化と内部線形層と$L$正則化(重崩壊)を組み合わせる
このフレームワークは、状態空間モデリングや予測の応用のために自然に拡張できることを示す。
論文 参考訳（メタデータ） (2023-05-01T21:14:47Z) - Latent Traversals in Generative Models as Potential Flows [113.4232528843775]
我々は,学習された動的ポテンシャルランドスケープを持つ潜在構造をモデル化することを提案する。
物理、最適輸送、神経科学にインスパイアされたこれらの潜在的景観は、物理的に現実的な偏微分方程式として学習される。
本手法は,最先端のベースラインよりも定性的かつ定量的に歪んだ軌跡を実現する。
論文 参考訳（メタデータ） (2023-04-25T15:53:45Z) - CaDeX: Learning Canonical Deformation Coordinate Space for Dynamic
Surface Representation via Neural Homeomorphism [46.234728261236015]
形状と非剛性の両方の統一的な表現であるCaDeX(Caonical deformation Coordinate Space)を導入する。
我々の新しい変形表現とその実装は単純で効率的であり、サイクルの整合性を保証する。
幅広い変形可能なオブジェクトをモデル化する際の最先端性能を実証する。
論文 参考訳（メタデータ） (2022-03-30T17:59:23Z) - Linearization and Identification of Multiple-Attractors Dynamical System
through Laplacian Eigenmaps [8.161497377142584]
速度拡張カーネルを利用したグラフベースのスペクトルクラスタリング手法を提案し,同じダイナミックスに属するデータポイントを接続する。
部分力学が線型であり、n-次元埋め込みが準線型であるような2次元埋め込み空間が常に存在することを証明する。
我々は、ラプラシアン埋め込み空間から元の空間への微分同相性を学び、ラプラシアン埋め込みが良好な再構成精度とより高速な訓練時間をもたらすことを示す。
論文 参考訳（メタデータ） (2022-02-18T12:43:25Z) - Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable
Dynamical Systems [74.80320120264459]
本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。
複素運動は安定な力学系のロールアウトとして符号化される。
このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
論文 参考訳（メタデータ） (2020-05-27T03:51:57Z)
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。