論文の概要: NeuroKoopman Dynamic Causal Discovery

• arxiv url: http://arxiv.org/abs/2404.16326v1
• Date: Thu, 25 Apr 2024 04:23:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-26 14:48:28.159135
• Title: NeuroKoopman Dynamic Causal Discovery
• Title（参考訳）: NeuroKoopman Dynamic Causal Discovery
• Authors: Rahmat Adesunkanmi, Balaji Sesha Srikanth Pokuri, Ratnesh Kumar,
• Abstract要約: 本稿では,NuroKoopman Dynamic Causal Discovery (NKDCD)を導入し,Granger因果関係と基礎となる非線形力学を確実に推定する。 NKDCDは、データ学習ベースを用いて非線形ダイナミクスを高次元に引き上げるオートエンコーダアーキテクチャを採用している。 NKDCDは既存の非線形グランガー因果発見法よりも優れていた。
• 参考スコア（独自算出の注目度）: 0.5056898948020432
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many real-world applications where the system dynamics has an underlying interdependency among its variables (such as power grid, economics, neuroscience, omics networks, environmental ecosystems, and others), one is often interested in knowing whether the past values of one time series influences the future of another, known as Granger causality, and the associated underlying dynamics. This paper introduces a Koopman-inspired framework that leverages neural networks for data-driven learning of the Koopman bases, termed NeuroKoopman Dynamic Causal Discovery (NKDCD), for reliably inferring the Granger causality along with the underlying nonlinear dynamics. NKDCD employs an autoencoder architecture that lifts the nonlinear dynamics to a higher dimension using data-learned bases, where the lifted time series can be reliably modeled linearly. The lifting function, the linear Granger causality lag matrices, and the projection function (from lifted space to base space) are all represented as multilayer perceptrons and are all learned simultaneously in one go. NKDCD also utilizes sparsity-inducing penalties on the weights of the lag matrices, encouraging the model to select only the needed causal dependencies within the data. Through extensive testing on practically applicable datasets, it is shown that the NKDCD outperforms the existing nonlinear Granger causality discovery approaches.
• Abstract（参考訳）: システム力学がその変数(電力網、経済学、神経科学、オミクスネットワーク、環境生態系など)の基本的な相互依存性を持つ多くの現実世界のアプリケーションでは、ある時系列の過去の値が、グランガー因果関係として知られる他の分野の将来に影響を及ぼすかどうかを知ることに関心がある。 本稿では,ニューロクープマン動的因果探索 (NKDCD) と呼ばれる,ニューラルネットワークを基礎となる非線形力学とともにグラナー因果関係を確実に推定するための,クープマンベースのデータ駆動学習に活用する,クープマンに触発されたフレームワークを提案する。 NKDCDでは、データ学習ベースを用いて非線形ダイナミクスを高次元に引き上げるオートエンコーダアーキテクチャを採用している。 昇降関数、線形グランガー因果ラグ行列、射影関数(昇降空間から基底空間まで)はすべて多層パーセプトロンとして表現され、1行で同時に学習される。 NKDCDはまた、ラグ行列の重み付けにスパーシリティを誘導するペナルティを利用し、モデルがデータ内の必要な因果依存性だけを選択することを奨励する。 実際に適用可能なデータセットの広範なテストを通じて、NKDCDは既存の非線形グランガー因果発見手法よりも優れていることを示した。

関連論文リスト

• When are dynamical systems learned from time series data statistically accurate? [2.2577735334028923]
  本稿では,時系列データから得られた複雑な力学モデルの一般化に対するエルゴード論的アプローチを提案する。 我々の主な貢献は、カオスシステムを含むエルゴード系のクラスの神経表現の一般化を定義し、分析することである。
  論文  参考訳（メタデータ） (2024-11-09T23:44:17Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• Granger Causality using Neural Networks [7.62566998854384]
  本稿では,非線型性を計算的に効率的に処理できる新しいモデルのクラスを提案する。 罰則を分離することで、遅延と個々の時系列の重要度を直接分離できることを示す。 GC推定のプロセス中にラグ順を選択したいので、これは重要です。
  論文  参考訳（メタデータ） (2022-08-07T12:02:48Z)
• Stabilized Neural Ordinary Differential Equations for Long-Time Forecasting of Dynamical Systems [1.001737665513683]
  衝撃やカオス力学を正確に捉えたデータ駆動モデリング手法を提案する。 我々は、線形項と非線形項を学習する2つのNNの出力を加えることで、ODEの右辺(SRH)を学習する。 具体的には、疎線形畳み込みNNを訓練して線形項と高密度完全連結非線形NNを学習し、非線形項を学習する。
  論文  参考訳（メタデータ） (2022-03-29T16:10:34Z)
• Deep Recurrent Modelling of Granger Causality with Latent Confounding [0.0]
  本稿では,非線形なGranger因果関係をモデル化するためのディープラーニングに基づくアプローチを提案する。 我々は,非線形時系列におけるモデル性能を実演し,その要因と効果を異なる時間ラグで示す。
  論文  参考訳（メタデータ） (2022-02-23T03:26:22Z)
• SyMetric: Measuring the Quality of Learnt Hamiltonian Dynamics Inferred from Vision [73.26414295633846]
  最近提案されたモデルのクラスは、高次元観測から潜在力学を学習しようと試みている。 既存の手法は画像再構成の品質に依存しており、学習した潜在力学の質を常に反映しているわけではない。 我々は、基礎となるハミルトン力学が忠実に捕獲されたかどうかのバイナリ指標を含む、一連の新しい尺度を開発する。
  論文  参考訳（メタデータ） (2021-11-10T23:26:58Z)
• Identifying nonlinear dynamical systems from multi-modal time series data [3.721528851694675]
  物理学、生物学、医学における経験的に観察された時系列は、一般的に、基礎となる力学系(DS)によって生成される。 完全にデータ駆動で教師なしの方法で、この潜伏するDSを再構築するための機械学習手法の収集への関心が高まっている。 本稿では,非線形DS識別とクロスモーダル予測を目的としたマルチモーダルデータ統合のための汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-04T14:59:28Z)
• 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)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)
• Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
  過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。 また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
  論文  参考訳（メタデータ） (2020-02-20T15:43:02Z)

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。