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 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) - Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文 参考訳（メタデータ） (2024-09-05T18:14:22Z) - 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) - Charts and atlases for nonlinear data-driven models of dynamics on
manifolds [0.0]
低次元多様体上の高次元時系列データから最小次元力学モデルを学習する手法を提案する。
本手法は, 単純な周期力学から複雑, 名目上は倉本-シヴァシンスキー方程式の高次元非周期バースト力学に至るまでの例に適用する。
論文 参考訳（メタデータ） (2021-08-12T19:06:08Z) - Linear Classifiers in Mixed Constant Curvature Spaces [40.82908295137667]
我々は、ユークリッド空間、球面空間、双曲空間の混合である積空間形式の線形分類の問題に対処する。
我々は、$d$-次元定数曲率空間の線形分類子が正確に$d+1$点を粉砕できることを証明した。
新規なパーセプトロン分類アルゴリズムを記述し、厳密な収束結果を確立する。
論文 参考訳（メタデータ） (2021-02-19T23:29:03Z) - 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。