Fugu-MT 論文翻訳(概要): Reconstruction of dynamical systems from data without time labels

論文の概要: Reconstruction of dynamical systems from data without time labels

arxiv url: http://arxiv.org/abs/2312.04038v2
Date: Mon, 8 Apr 2024 06:42:44 GMT
ステータス: 処理完了
システム内更新日: 2024-04-10 01:56:13.369054
Title: Reconstruction of dynamical systems from data without time labels
Title（参考訳）: 時間ラベルのないデータからの動的システムの再構築
Authors: Zhijun Zeng, Pipi Hu, Chenglong Bao, Yi Zhu, Zuoqiang Shi,
Abstract要約: タイムラベルのないデータは、分子動力学、シングルセルRNAシークエンシングなど、多くのアプリケーションに現れる。本稿では,確率分布から得られたデータをサンプルとして扱い,基礎となる力学系を再構築することを提案する。
参考スコア（独自算出の注目度）: 19.29132860119151
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we study the method to reconstruct dynamical systems from data without time labels. Data without time labels appear in many applications, such as molecular dynamics, single-cell RNA sequencing etc. Reconstruction of dynamical system from time sequence data has been studied extensively. However, these methods do not apply if time labels are unknown. Without time labels, sequence data becomes distribution data. Based on this observation, we propose to treat the data as samples from a probability distribution and try to reconstruct the underlying dynamical system by minimizing the distribution loss, sliced Wasserstein distance more specifically. Extensive experiment results demonstrate the effectiveness of the proposed method.
Abstract（参考訳）: 本稿では,時間ラベルのないデータから動的システムを再構築する手法について検討する。タイムラベルのないデータは、分子動力学、シングルセルRNAシークエンシングなど、多くのアプリケーションに現れる。時系列データから力学系を復元する手法が広く研究されている。しかし、タイムラベルが不明な場合、これらの手法は適用されない。タイムラベルがなければ、シーケンスデータは分散データとなる。本研究は,確率分布のサンプルとして扱うとともに,分散損失を最小化し,より具体的にワッサーシュタイン距離をスライスすることで,基礎となる力学系を再構築することを提案する。その結果,提案手法の有効性が示された。

関連論文リスト

Continuous Contrastive Learning for Long-Tailed Semi-Supervised Recognition [50.61991746981703]
現在の最先端のLTSSLアプローチは、大規模な未ラベルデータに対して高品質な擬似ラベルに依存している。本稿では,長期学習における様々な提案を統一する新しい確率的枠組みを提案する。我々は、信頼度とスムーズな擬似ラベルを用いて、我々のフレームワークをラベルなしデータに拡張する、連続的コントラスト学習手法であるCCLを導入する。
論文参考訳（メタデータ） (2024-10-08T15:06:10Z)
Label Delay in Online Continual Learning [77.05325581370893]
しばしば見過ごされる重要な側面はラベルの遅延であり、遅くてコストのかかるアノテーションプロセスのために新しいデータがラベル付けされない可能性がある。本稿では,データとラベルストリーム間のラベル遅延を,時間経過とともに明示的にモデル化した新しい連続学習フレームワークを提案する。提案手法はラベル遅延係数に最も影響を受けていないことを示し、場合によっては非遅延の精度を回復させる。
論文参考訳（メタデータ） (2023-12-01T20:52:10Z)
Exact Recovery for System Identification with More Corrupt Data than Clean Data [17.310966086344777]
本稿では,線形離散時間系における逆問題に対するシステム同定問題について検討する。システムが安定しており、攻撃が定期的に注入される場合、システムダイナミクスの正確な回復のためのサンプルの複雑さは線形であることを示す。副産物として、データの半分以上が漏洩した場合でも、私たちの推定者はシステムを正しく学習します。
論文参考訳（メタデータ） (2023-05-17T18:21:37Z)
Are labels informative in semi-supervised learning? -- Estimating and leveraging the missing-data mechanism [4.675583319625962]
半教師付き学習は、ラベルのないデータを利用して機械学習モデルを改善するための強力な技術である。これは、あるクラスが他のクラスよりもラベル付けされる可能性が高い場合に発生する、情報的ラベルの存在に影響される可能性がある。本稿では,データ不足のメカニズムを推定し,逆確率重み付けを用いてSSLアルゴリズムを劣化させることにより,この問題に対処する新しい手法を提案する。
論文参考訳（メタデータ） (2023-02-15T09:18:46Z)
Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
本稿では,PU学習のためのラベル分布視点を提案する。そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。提案手法の有効性を3つのベンチマークデータセットで検証した。
論文参考訳（メタデータ） (2022-12-06T07:38:29Z)
Stream-based active learning with linear models [0.7734726150561089]
生産において、製品情報を取得するためにランダム検査を行う代わりに、ラベルなしデータの情報内容を評価することによりラベルを収集する。本稿では,ストリームベースのシナリオを学習者に順次提供するための新たな戦略を提案する。未ラベルデータポイントの通知性にしきい値を設定することにより、意思決定プロセスの反復的な側面に取り組む。
論文参考訳（メタデータ） (2022-07-20T13:15:23Z)
A non-autonomous equation discovery method for time signal classification [1.933681537640272]
非自律的力学方程式に基づいて時間信号を解析するフレームワークを開発する。随伴法を用いて勾配を効率的に計算する方法を示す。また,提案手法が位相像の形で解釈可能性をもたらすことを示す。
論文参考訳（メタデータ） (2020-11-22T20:03:46Z)
Compact representation of temporal processes in echosounder time series via matrix decomposition [0.7614628596146599]
本研究では,データに内在する特徴を用いて,時系列のコンパクトな表現を構築する手法を開発した。この研究は、海洋における大規模で音響に基づく生物学的観測のための堅牢な時系列解析を構築する基盤となる。
論文参考訳（メタデータ） (2020-07-06T17:33:42Z)
Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文参考訳（メタデータ） (2020-06-18T04:54:11Z)
Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
論文参考訳（メタデータ） (2020-02-11T21:08:06Z)
Learning Stochastic Behaviour from Aggregate Data [52.012857267317784]
集約データから非線形ダイナミクスを学習することは、各個人の完全な軌道が利用できないため、難しい問題である。本稿では,Fokker Planck Equation (FPE) の弱い形式を用いて,サンプル形式のデータの密度変化を記述する手法を提案する。このようなサンプルベースのフレームワークでは、偏微分方程式(PDE)FPEを明示的に解くことなく、集約データから非線形ダイナミクスを学習することができる。
論文参考訳（メタデータ） (2020-02-10T03:20:13Z)

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。