論文の概要: Modeling Unknown Stochastic Dynamical System via Autoencoder
- arxiv url: http://arxiv.org/abs/2312.10001v2
- Date: Sun, 22 Dec 2024 06:50:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-24 15:53:10.462396
- Title: Modeling Unknown Stochastic Dynamical System via Autoencoder
- Title(参考訳): オートエンコーダによる未知確率力学系のモデル化
- Authors: Zhongshu Xu, Yuan Chen, Qifan Chen, Dongbin Xiu,
- Abstract要約: 本稿では,未知の力学系に対する正確な予測モデルを軌道データから学習する数値的手法を提案する。
オートエンコーダ(autoencoder)というアイデアを使って、観測されていない潜在確率変数を識別する。
また、非ガウス雑音によって駆動されるシステムにも適用できる。
- 参考スコア(独自算出の注目度): 3.5489676012585236
- License:
- Abstract: We present a numerical method to learn an accurate predictive model for an unknown stochastic dynamical system from its trajectory data. The method seeks to approximate the unknown flow map of the underlying system. It employs the idea of autoencoder to identify the unobserved latent random variables. In our approach, we design an encoding function to discover the latent variables, which are modeled as unit Gaussian, and a decoding function to reconstruct the future states of the system. Both the encoder and decoder are expressed as deep neural networks (DNNs). Once the DNNs are trained by the trajectory data, the decoder serves as a predictive model for the unknown stochastic system. Through an extensive set of numerical examples, we demonstrate that the method is able to produce long-term system predictions by using short bursts of trajectory data. It is also applicable to systems driven by non-Gaussian noises.
- Abstract(参考訳): 本稿では,未知確率力学系の軌道データから正確な予測モデルを学習するための数値的手法を提案する。
本手法は, 基礎システムの未知フローマップを近似する。
オートエンコーダ(autoencoder)というアイデアを使って、観測されていない潜在確率変数を識別する。
提案手法では,単位ガウスとしてモデル化された潜伏変数を検出するための符号化関数と,システムの将来の状態を再構築するための復号関数を設計する。
エンコーダもデコーダもディープニューラルネットワーク(DNN)として表現される。
DNNが軌道データによって訓練されると、デコーダは未知の確率系の予測モデルとして機能する。
本手法は, 広範囲な数値的な例から, 短時間の軌跡データを用いて, 長期システム予測が可能であることを示す。
また、非ガウス雑音によって駆動されるシステムにも適用できる。
関連論文リスト
- Modeling Unknown Stochastic Dynamical System Subject to External Excitation [4.357350642401934]
未知の非線形力学系を学習するための数値的手法を提案する。
私たちの基本的な前提は、システムの統治方程式は利用できないということです。
十分な量のI/Oデータが得られる場合,本手法は未知の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) (2024-06-22T06:21:44Z) - Deep Learning of Chaotic Systems from Partially-Observed Data [0.0]
完全あるいは部分的に観測されたデータを用いて未知の力学系を学習・モデル化するための一般的なデータ駆動数値フレームワークを開発した。
本稿では,この枠組みをカオスシステム,特に有名なLorenz 63および96系に適用する。
フローマップに基づくDNN学習法は,DNNが利用できる状態変数のサブセットのみであっても,カオスシステムを正確にモデル化できることを示す。
論文 参考訳(メタデータ) (2022-05-12T00:18:06Z) - Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。
我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。
スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文 参考訳(メタデータ) (2022-03-25T16:59:08Z) - Modeling unknown dynamical systems with hidden parameters [0.0]
本稿では,未知の力学系を未知/隠蔽パラメータでモデル化するためのデータ駆動数値手法を提案する。
この方法は、その軌跡データを用いて未知系のディープニューラルネットワーク(DNN)モデルをトレーニングすることに基づいている。
論文 参考訳(メタデータ) (2022-02-03T21:34:58Z) - Learning Summary Statistics for Bayesian Inference with Autoencoders [58.720142291102135]
我々は,ディープニューラルネットワークに基づくオートエンコーダの内部次元を要約統計として利用する。
パラメータ関連情報を全て符号化するエンコーダのインセンティブを作成するため,トレーニングデータの生成に使用した暗黙的情報にデコーダがアクセスできるようにする。
論文 参考訳(メタデータ) (2022-01-28T12:00:31Z) - Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。
予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。
本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文 参考訳(メタデータ) (2021-09-06T04:39:06Z) - Artificial neural network as a universal model of nonlinear dynamical
systems [0.0]
このマップは、重みがモデル化されたシステムをエンコードする人工知能ニューラルネットワークとして構築されている。
ローレンツ系、ロースラー系およびヒンドマール・ロースニューロンを考察する。
誘引子、パワースペクトル、分岐図、リャプノフ指数の視覚像に高い類似性が観察される。
論文 参考訳(メタデータ) (2021-03-06T16:02:41Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳(メタデータ) (2021-02-15T19:56:48Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳(メタデータ) (2020-10-29T08:27:43Z) - Variational inference formulation for a model-free simulation of a
dynamical system with unknown parameters by a recurrent neural network [8.616180927172548]
本研究では,事前知識のない未知パラメータを持つ力学系の「モデルフリー」シミュレーションを提案する。
ディープラーニングモデルは,非線形時間行進演算子と未知パラメータの影響を時系列データセットから共同学習することを目的としている。
提案したディープラーニングモデルは,乱数パラメータの次元を正確に同定し,複雑な時系列データの表現を学習することができる。
論文 参考訳(メタデータ) (2020-03-02T20:57:02Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳(メタデータ) (2020-02-14T06:58:27Z)
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。