論文の概要: Weak-Form Inference for Hybrid Dynamical Systems in Ecology

• arxiv url: http://arxiv.org/abs/2405.20591v1
• Date: Fri, 31 May 2024 03:03:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-03 15:46:08.089581
• Title: Weak-Form Inference for Hybrid Dynamical Systems in Ecology
• Title（参考訳）: 生態学におけるハイブリッド力学系の弱形式推論
• Authors: Daniel Messenger, Greg Dwyer, Vanja Dukic,
• Abstract要約: 捕食や環境の脅威にさらされる種は、長い期間にわたって、人口ブームや乱獲の変動周期を示すのが一般的である。 生態学の分野で人気が高まっているモデリングパラダイムは、短期的な連続的なダイナミクスと長期的な離散的な更新を結合することである。 弱形式方程式学習を利用したデータ駆動型手法を開発し、人口動態のハイブリッドな支配方程式を抽出する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Species subject to predation and environmental threats commonly exhibit variable periods of population boom and bust over long timescales. Understanding and predicting such behavior, especially given the inherent heterogeneity and stochasticity of exogenous driving factors over short timescales, is an ongoing challenge. A modeling paradigm gaining popularity in the ecological sciences for such multi-scale effects is to couple short-term continuous dynamics to long-term discrete updates. We develop a data-driven method utilizing weak-form equation learning to extract such hybrid governing equations for population dynamics and to estimate the requisite parameters using sparse intermittent measurements of the discrete and continuous variables. The method produces a set of short-term continuous dynamical system equations parametrized by long-term variables, and long-term discrete equations parametrized by short-term variables, allowing direct assessment of interdependencies between the two time scales. We demonstrate the utility of the method on a variety of ecological scenarios and provide extensive tests using models previously derived for epizootics experienced by the North American spongy moth (Lymantria dispar dispar).
• Abstract（参考訳）: 捕食や環境の脅威にさらされる種は、長い期間にわたって、人口ブームや乱獲の変動周期を示すのが一般的である。 このような行動の理解と予測は、特に短い時間スケールで外因性駆動因子の固有の不均一性と確率性を考えると、現在進行中の課題である。 このようなマルチスケール効果のために生態学で人気が高まっているモデリングパラダイムは、短期的な連続的なダイナミクスと長期的な離散的な更新を2つにまとめることである。 本研究では,弱形式方程式学習を利用したデータ駆動手法を開発し,人口動態のハイブリッドな支配方程式を抽出し,離散変数と連続変数のスパース断続値を用いて必要なパラメータを推定する。 本手法は, 長期変数でパラメータ化された短期連続力学系方程式と, 短期変数でパラメータ化された長期離散方程式の集合を生成し, 2つの時間スケール間の相互依存性の直接評価を可能にする。 北米のスポンジモト(Lymantria dispar dispar)が経験したてんかんモデルを用いて,様々な生態シナリオで本手法の有用性を実証した。

関連論文リスト

• Neural Persistence Dynamics [8.197801260302642]
  時間発展する点雲のトポロジにおける力学を学習する問題を考察する。 提案したモデル – 静的永続力学 -- は,パラメータ回帰タスクの多種多様なセットにおいて,最先端の処理性能を大幅に上回っている。
  論文  参考訳（メタデータ） (2024-05-24T17:20:18Z)
• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
  ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。 本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
  論文  参考訳（メタデータ） (2023-06-24T17:01:51Z)
• EgPDE-Net: Building Continuous Neural Networks for Time Series Prediction with Exogenous Variables [22.145726318053526]
  現在の連続法では、変数間の系列間相関と時間依存性はめったに考慮されない。 未知のPDEシステムを学習するための任意のステップ予測のための連続時間モデルを提案する。
  論文  参考訳（メタデータ） (2022-08-03T08:34:31Z)
• Phenomenology of the Prethermal Many-Body Localized Regime [0.0]
  現在理論は、熱化が極めて遅いが完全には逮捕されていない大規模な熱水性多体局在(MBL)機構を考慮に入れなければならない。 連続した多体共鳴モデルを用いて、これらの力学を定量的に記述する。 後続共鳴は、高次元の強い無秩序な系や長距離相互作用を持つ系において、ゆっくりとした熱化をもたらすこともある。
  論文  参考訳（メタデータ） (2022-07-12T18:00:00Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Learning and Inference in Sparse Coding Models with Langevin Dynamics [3.0600309122672726]
  本稿では確率的潜在変数モデルで推論と学習が可能なシステムについて述べる。 ランゲヴィン力学を用いて潜伏変数を推論する連続時間方程式を導出することにより、スパース符号化モデルのこのアイデアを実証する。 ランゲヴィン力学は、L1ノルムが小さいのに対して、潜伏変数をゼロにすることを推奨する'L0スパース'系において、後続分布からサンプリングする効率的な手順をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-04-23T23:16:47Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Time varying regression with hidden linear dynamics [74.9914602730208]
  線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。 反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
  論文  参考訳（メタデータ） (2021-12-29T23:37:06Z)
• 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)
• Deep Switching Auto-Regressive Factorization:Application to Time Series Forecasting [16.934920617960085]
  DSARFは、時間依存重みと空間依存因子の間の積変数による高次元データを近似する。 DSARFは、深い切替ベクトル自己回帰因子化の観点から重みをパラメータ化するという最先端技術とは異なる。 本実験は, 最先端手法と比較して, DSARFの長期的, 短期的予測誤差において優れた性能を示すものである。
  論文  参考訳（メタデータ） (2020-09-10T20:15:59Z)

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。