論文の概要: Featurizing Koopman Mode Decomposition
- arxiv url: http://arxiv.org/abs/2312.09146v2
- Date: Wed, 20 Dec 2023 17:56:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 21:26:46.345741
- Title: Featurizing Koopman Mode Decomposition
- Title(参考訳): クープマンモード分解機能
- Authors: David Aristoff, Jeremy Copperman, Nathan Mankovich, and Alexander
Davies
- Abstract要約: 本稿では,高度なクープマンモード分解(KMD)技術を紹介する。
時間埋め込みとマハラノビススケーリングを使用して、高次元力学系の解析と予測を強化する。
本手法は,高次元ローレンツ誘導器のKMD予測と,がん研究からの細胞シグナル伝達問題を改善する。
- 参考スコア(独自算出の注目度): 43.527186389080384
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This article introduces an advanced Koopman mode decomposition (KMD)
technique -- coined Featurized Koopman Mode Decomposition (FKMD) -- that uses
time embedding and Mahalanobis scaling to enhance analysis and prediction of
high dimensional dynamical systems. The time embedding expands the observation
space to better capture underlying manifold structure, while the Mahalanobis
scaling, applied to kernel or random Fourier features, adjusts observations
based on the system's dynamics. This aids in featurizing KMD in cases where
good features are not a priori known. We show that our method improves KMD
predictions for a high dimensional Lorenz attractor and for a cell signaling
problem from cancer research.
- Abstract(参考訳): 本稿では、時間埋め込みとMahalanobisスケーリングを用いて高次元力学系の解析と予測を強化する、高度なクープマンモード分解(KMD)技術(Featurized Koopman Mode Decomposition(FKMD))を紹介する。
時間埋め込みは観測空間を拡大して基礎となる多様体構造をよりよく捉え、マハラノビススケーリングはカーネルやランダムなフーリエ特徴に適用され、システムのダイナミクスに基づいて観測を調整する。
これは、優れた特徴が知られていない場合にkmdを実現するのに役立つ。
本手法は,高次元ローレンツ誘導器のKMD予測と,がん研究からの細胞シグナル伝達問題を改善する。
関連論文リスト
- Rigged Dynamic Mode Decomposition: Data-Driven Generalized Eigenfunction Decompositions for Koopman Operators [0.0]
そこで我々は,Koopman演算子の一般化固有関数分解を計算するRiged Dynamic Mode Decomposition (Rigged DMD)アルゴリズムを提案する。
Rigged DMDは、クープマン作用素の分解基とその一般化固有関数を近似するデータ駆動方法論による課題に対処する。
例として、ルベーグスペクトルを持つ系、可積分ハミルトニアン系、ローレンツ系、および2次元正方形空洞内のレイノルズ数蓋駆動流れについて述べる。
論文 参考訳(メタデータ) (2024-05-01T18:00:18Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳(メタデータ) (2023-12-04T01:32:42Z) - Posterior Estimation for Dynamic PET imaging using Conditional
Variational Inference [10.206699988915183]
効率的な後続推定のためのディープラーニングに基づくフレームワークを提案する。
具体的には、潜伏変数を導入することにより、フォワードプロセスにおける情報損失に対処する。
論文 参考訳(メタデータ) (2023-10-24T14:05:30Z) - Dynamic Mode Decomposition for data-driven analysis and reduced-order
modelling of ExB plasmas: I. Extraction of spatiotemporally coherent patterns [3.203036813451742]
データ駆動解析とプラズマ力学の低次モデリングのための動的モード分解(DMD)アルゴリズムの一般性を評価する。
論文 参考訳(メタデータ) (2023-08-26T01:37:52Z) - Beyond expectations: Residual Dynamic Mode Decomposition and Variance
for Stochastic Dynamical Systems [8.259767785187805]
ダイナミックモード分解(Dynamic Mode Decomposition, DMD)は、プロジェクションベースの手法のポスターチャイルドである。
統計的コヒーレンシーを測るための分散擬似スペクトルの概念を導入する。
本研究は、シミュレーションデータと実験データの両方を用いた実用的応用を結論付けている。
論文 参考訳(メタデータ) (2023-08-21T13:05:12Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳(メタデータ) (2021-11-15T09:08:27Z) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳(メタデータ) (2021-04-28T22:14:25Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳(メタデータ) (2020-04-30T20:42:17Z)
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。