論文の概要: A latent linear model for nonlinear coupled oscillators on graphs
- arxiv url: http://arxiv.org/abs/2311.14910v1
- Date: Sat, 25 Nov 2023 03:04:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-29 22:57:53.619724
- Title: A latent linear model for nonlinear coupled oscillators on graphs
- Title(参考訳): グラフ上の非線形結合振動子の潜在線形モデル
- Authors: Agam Goyal, Zhaoxing Wu, Richard P. Yim, Binhao Chen, Zihong Xu,
Hanbaek Lyu
- Abstract要約: 結合振動子の非線形挙動は、ある潜在力学空間において効果的に線形化することができる。
教師付き行列因数分解に基づくアルゴリズムを提案し、そのような潜在動的フィルタを学習する。
本手法は,ベースラインとブラックボックス分類アルゴリズムに対して同期予測タスクを競合的に行う。
- 参考スコア(独自算出の注目度): 1.631115063641726
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A system of coupled oscillators on an arbitrary graph is locally driven by
the tendency to mutual synchronization between nearby oscillators, but can and
often exhibit nonlinear behavior on the whole graph. Understanding such
nonlinear behavior has been a key challenge in predicting whether all
oscillators in such a system will eventually synchronize. In this paper, we
demonstrate that, surprisingly, such nonlinear behavior of coupled oscillators
can be effectively linearized in certain latent dynamic spaces. The key insight
is that there is a small number of `latent dynamics filters', each with a
specific association with synchronizing and non-synchronizing dynamics on
subgraphs so that any observed dynamics on subgraphs can be approximated by a
suitable linear combination of such elementary dynamic patterns. Taking an
ensemble of subgraph-level predictions provides an interpretable predictor for
whether the system on the whole graph reaches global synchronization. We
propose algorithms based on supervised matrix factorization to learn such
latent dynamics filters. We demonstrate that our method performs competitively
in synchronization prediction tasks against baselines and black-box
classification algorithms, despite its simple and interpretable architecture.
- Abstract(参考訳): 任意のグラフ上の結合発振器の系は、近傍の発振器間の相互同期傾向によって局所的に駆動されるが、グラフ全体に非線形な挙動を示すこともしばしばある。
このような非線形挙動を理解することは、システム内の全ての発振器が最終的に同期するかどうかを予測する上で重要な課題である。
本稿では,このような非線形振動子の非線形挙動が,ある潜在動的空間において効果的に線形化できることを示す。
重要な洞察は、サブグラフ上での同期と非同期のダイナミクスと特定の関係を持ち、サブグラフ上の観測されたダイナミクスは、そのような基本ダイナミックパターンの適切な線形結合によって近似できるという、少数の「相対力学フィルタ」が存在することである。
サブグラフレベルの予測をアンサンブルすることで、グラフ全体のシステムがグローバル同期に達するかどうかを解釈可能な予測する。
このような潜在ダイナミクスフィルタを学習するために,教師付き行列分解に基づくアルゴリズムを提案する。
本手法は,単純かつ解釈可能なアーキテクチャであるにもかかわらず,ベースラインやブラックボックス分類アルゴリズムに対して,同期予測タスクにおいて競合することを実証する。
関連論文リスト
- Graph Neural Flows for Unveiling Systemic Interactions Among Irregularly Sampled Time Series [5.460420960898444]
我々は不規則な時間点で観測された時系列の系統的相互作用を明らかにするグラフベースモデルを開発した。
時系列分類や予測など,いくつかの課題に対するアプローチの有効性を検証し,その有効性を実証する。
論文 参考訳(メタデータ) (2024-10-17T21:10:39Z) - Nonlinear time-series embedding by monotone variational inequality [6.992239210938067]
非線形時系列の低次元表現を教師なしで学習する新しい手法を提案する。
学習された表現は、クラスタリングや分類といった下流の機械学習タスクに使用することができる。
論文 参考訳(メタデータ) (2024-06-11T02:19:31Z) - Learning the effective order of a hypergraph dynamical system [4.530678016396476]
本稿では,対応するダイナミクスを正確に近似するために必要なハイパーグラフの最小順序を決定する手法を提案する。
具体的には,力学のタイプが分かっていれば,この順序を決定できる分析フレームワークを開発する。
我々は、これらのアイデアをハイパーグラフニューラルネットワークと組み合わせて、合成データセットと実データの両方から、ハイパーグラフ自体と結果の順序を直接学習する。
論文 参考訳(メタデータ) (2023-06-02T09:04:45Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Learning the Evolutionary and Multi-scale Graph Structure for
Multivariate Time Series Forecasting [50.901984244738806]
時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。
特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。
最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
論文 参考訳(メタデータ) (2022-06-28T08:11:12Z) - Koopman-based spectral clustering of directed and time-evolving graphs [0.3655021726150368]
非指向グラフのためのスペクトルクラスタリングアルゴリズムは十分に確立されており、教師なし機械学習問題にうまく適用されている。
しかし、有向グラフのクラスタ化は依然として困難であり、有向グラフのクラスタの定義は広く受け入れられていない。
ラプラシアンと転送演算子の関係を用いた有向グラフと時間進化グラフのクラスタリングアルゴリズムを導出する。
結果として得られるクラスターはコヒーレントな集合として解釈することができ、流体の輸送と混合過程の解析において重要な役割を果たす。
論文 参考訳(メタデータ) (2022-04-06T17:33:24Z) - Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。
新規な構造化融合正規化に基づく一般グラフ推定器を提案する。
提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文 参考訳(メタデータ) (2021-03-05T04:42:32Z) - Learning to predict synchronization of coupled oscillators on
heterogeneous graphs [0.0]
バイナリ分類アルゴリズムは,未知のシステムの将来を驚くほどの精度で予測できることを示した。
また,複数のランダムサブグラフから観測されるダイナミクスのトレーニングにより,提案手法を大規模グラフにスケールアップする「センスブル予測」アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-12-28T00:56:31Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z) - Graph Gamma Process Generalized Linear Dynamical Systems [60.467040479276704]
実マルチ変数時系列をモデル化するために,グラフガンマ過程(GGP)線形力学系を導入する。
時間的パターン発見のために、モデルの下での潜在表現は、時系列を多変量部分列の同相集合に分解するために使用される。
非零次ノード数が有限であるランダムグラフを用いて、潜時状態遷移行列の空間パターンと次元の両方を定義する。
論文 参考訳(メタデータ) (2020-07-25T04:16:34Z) - On dissipative symplectic integration with applications to
gradient-based optimization [77.34726150561087]
本稿では,離散化を体系的に実現する幾何学的枠組みを提案する。
我々は、シンプレクティックな非保守的、特に散逸的なハミルトン系への一般化が、制御された誤差まで収束率を維持することができることを示す。
論文 参考訳(メタデータ) (2020-04-15T00:36:49Z)
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。