論文の概要: Koopman Learning with Episodic Memory
- arxiv url: http://arxiv.org/abs/2311.12615v2
- Date: Fri, 18 Oct 2024 20:18:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-22 13:11:11.579955
- Title: Koopman Learning with Episodic Memory
- Title（参考訳）: エピソード記憶を用いたクープマン学習
- Authors: William T. Redman, Dean Huang, Maria Fonoberova, Igor Mezić,
- Abstract要約: 我々は,非自律時間列予測のために開発されたクープマン法をエピソードメモリ機構で装備する。
エピソードメモリを用いたクープマン学習の基本的な実装は,合成および実世界のデータの予測において,大幅な改善をもたらすことが判明した。
- 参考スコア（独自算出の注目度）: 9.841748637412596
- License:
- Abstract: Koopman operator theory has found significant success in learning models of complex, real-world dynamical systems, enabling prediction and control. The greater interpretability and lower computational costs of these models, compared to traditional machine learning methodologies, make Koopman learning an especially appealing approach. Despite this, little work has been performed on endowing Koopman learning with the ability to leverage its own failures. To address this, we equip Koopman methods - developed for predicting non-autonomous time-series - with an episodic memory mechanism, enabling global recall of (or attention to) periods in time where similar dynamics previously occurred. We find that a basic implementation of Koopman learning with episodic memory leads to significant improvements in prediction on synthetic and real-world data. Our framework has considerable potential for expansion, allowing for future advances, and opens exciting new directions for Koopman learning.
- Abstract（参考訳）: クープマン作用素理論は、複雑な実世界の力学系のモデルを学ぶことに成功し、予測と制御を可能にした。
これらのモデルの解釈可能性の向上と計算コストの低減は、従来の機械学習手法と比較して、クープマン学習を特に魅力的なアプローチにしている。
それにもかかわらず、Koopmanの学習に独自の失敗を活用できる能力を与えることは、ほとんど行われていない。
これを解決するために,我々は,非自律時間列予測のために開発されたKoopman法をエピソードメモリ機構で装備し,類似のダイナミクスが以前に発生した時間帯のグローバルリコール(あるいは注意)を可能にする。
エピソードメモリを用いたクープマン学習の基本的な実装は,合成および実世界のデータの予測において,大幅な改善をもたらすことが判明した。
われわれのフレームワークは、拡張する可能性があり、今後の進歩を可能にし、Koopman学習のためのエキサイティングな新しい方向性を開く。
関連論文リスト
- Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。
3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
論文 参考訳（メタデータ） (2024-10-31T22:54:34Z) - A Unified Framework for Neural Computation and Learning Over Time [56.44910327178975]
Hamiltonian Learningはニューラルネットワークを"時間とともに"学習するための新しい統合フレームワーク
i)外部ソフトウェアソルバを必要とせずに統合できる、(ii)フィードフォワードおよびリカレントネットワークにおける勾配に基づく学習の概念を一般化する、(iii)新しい視点で開放する、という微分方程式に基づいている。
論文 参考訳（メタデータ） (2024-09-18T14:57:13Z) - Koopman Invertible Autoencoder: Leveraging Forward and Backward Dynamics
for Temporal Modeling [13.38194491846739]
我々は、Koopman Invertible Autoencoders (KIA) と呼ぶ、Koopman演算子理論に基づく新しい機械学習モデルを提案する。
KIAは、無限次元ヒルベルト空間における前方と後方のダイナミクスをモデル化することによって、システムの固有の特性を捉えている。
これにより,低次元表現を効率よく学習し,長期システムの挙動をより正確に予測することが可能になる。
論文 参考訳（メタデータ） (2023-09-19T03:42:55Z) - Koopa: Learning Non-stationary Time Series Dynamics with Koopman
Predictors [85.22004745984253]
実世界の時系列は、深い予測モデルにとって大きな課題となる固有の非定常性によって特徴づけられる。
我々は、基礎となる時間変動力学を根本的に考慮する現代のクープマン理論を用いて、非定常時系列に取り組む。
階層的力学を学習する積み重ね可能なブロックからなる新しいクープマン予測器としてクーパを提案する。
論文 参考訳（メタデータ） (2023-05-30T07:40:27Z) - Koopman Kernel Regression [6.116741319526748]
クープマン作用素理論は線形時間不変(LTI)ODEによる予測のキャラクタリゼーションに有効なパラダイムであることを示す。
我々は、LTI力学系への変換のみにまたがる、普遍的なクープマン不変核再生ヒルベルト空間(RKHS)を導出する。
実験では、Koopman演算子やシーケンシャルデータ予測器と比較して予測性能が優れていることを示した。
論文 参考訳（メタデータ） (2023-05-25T16:22:22Z) - Understanding Self-Predictive Learning for Reinforcement Learning [61.62067048348786]
強化学習のための自己予測学習の学習ダイナミクスについて検討する。
本稿では,2つの表現を同時に学習する新しい自己予測アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-12-06T20:43:37Z) - DLKoopman: A deep learning software package for Koopman theory [0.0]
我々は、Koopman理論のためのソフトウェアパッケージであるDLKoopmanを紹介する。
ディープラーニングを用いて非線形力学系の線形空間への符号化を学習し、同時に線形力学を学習する。
DLKoopmanは"dlkoopman"としてPython Package Index(PyPI)で利用可能である。
論文 参考訳（メタデータ） (2022-11-15T18:45:51Z) - A Koopman Approach to Understanding Sequence Neural Models [2.8783296093434148]
訓練されたシーケンスニューラルネットワークモデルを理解するための新しいアプローチ、koopman analysis of neural networks (kann) を提案する。
時系列モデルと自己マップの関係を動機に、潜在ダイナミクスをうまくエンコードするおよそのKoopman演算子を計算します。
この結果は,コピー問題,ecg分類,感情分析タスクに対して,タスクやアーキテクチャにまたがって拡張される。
論文 参考訳（メタデータ） (2021-02-15T20:05:11Z) - Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
クープマン理論に関連する新しい物理学に基づく手法が導入された。
本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。
このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
論文 参考訳（メタデータ） (2020-03-04T18:24:30Z) - Value-driven Hindsight Modelling [68.658900923595]
値推定は強化学習(RL)パラダイムの重要な構成要素である。
モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。
この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。
これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
論文 参考訳（メタデータ） (2020-02-19T18:10:20Z)
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。