論文の概要: Online Control in Population Dynamics

• arxiv url: http://arxiv.org/abs/2406.01799v1
• Date: Mon, 3 Jun 2024 21:40:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-05 20:52:25.133729
• Title: Online Control in Population Dynamics
• Title（参考訳）: 人口動態のオンライン制御
• Authors: Noah Golowich, Elad Hazan, Zhou Lu, Dhruv Rohatgi, Y. Jennifer Sun,
• Abstract要約: オンライン制御のパラダイムに基づく新しいフレームワークを提案する。 まず、進化する個体群を自然にモデル化できる線形力学系の集合を特徴づける。 次に、これらのシステムに対して、ほぼ最適の後悔境界を持つ効率的な勾配ベースの制御を与える。
• 参考スコア（独自算出の注目度）: 32.09385328027713
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The study of population dynamics originated with early sociological works (Malthus, 1872) but has since extended into many fields, including biology, epidemiology, evolutionary game theory, and economics. Most studies on population dynamics focus on the problem of prediction rather than control. Existing mathematical models for population control are often restricted to specific, noise-free dynamics, while real-world population changes can be complex and adversarial. To address this gap, we propose a new framework based on the paradigm of online control. We first characterize a set of linear dynamical systems that can naturally model evolving populations. We then give an efficient gradient-based controller for these systems, with near-optimal regret bounds with respect to a broad class of linear policies. Our empirical evaluations demonstrate the effectiveness of the proposed algorithm for population control even in non-linear models such as SIR and replicator dynamics.
• Abstract（参考訳）: 人口動態の研究は初期の社会学的な著作(Malthus, 1872)から始まったが、その後生物学、疫学、進化ゲーム理論、経済学など多くの分野に及んだ。 人口動態に関するほとんどの研究は、制御よりも予測の問題に焦点を当てている。 既存の人口制御の数学的モデルは、しばしば特定のノイズのない力学に制限されるが、現実の人口変動は複雑で敵対的である。 このギャップに対処するために,オンライン制御のパラダイムに基づく新しいフレームワークを提案する。 まず、進化する個体群を自然にモデル化できる線形力学系の集合を特徴づける。 次に、これらのシステムに対して、線形ポリシーの幅広いクラスに関して、ほぼ最適な後悔境界を持つ効率的な勾配ベースの制御を与える。 実験により,SIRやレプリケータダイナミクスなどの非線形モデルにおいても,提案アルゴリズムによる個体群制御の有効性が示された。

関連論文リスト

• Reinforcement Learning for Control of Non-Markovian Cellular Population Dynamics [1.03590082373586]
  我々は、新しい非マルコフ力学の下で進化する細胞集団を制御するために、情報量戦略の同定に強化学習を適用した。 モデルのない深部RLは、長距離時間力学の存在下でも正確な解を回復し、細胞集団を制御することができる。
  論文  参考訳（メタデータ） (2024-10-11T01:02:30Z)
• Learning System Dynamics without Forgetting [60.08612207170659]
  未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。 本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。 生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-06-30T14:55:18Z)
• Semi-Supervised Learning of Dynamical Systems with Neural Ordinary Differential Equations: A Teacher-Student Model Approach [10.20098335268973]
  TS-NODEは、NODEで動的システムのモデリングを行うための、最初の半教師付きアプローチである。 複数の動的システムモデリングタスクにおいて,ベースラインのNeural ODEモデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-10-19T19:17:12Z)
• Model-Based Reinforcement Learning with Isolated Imaginations [61.67183143982074]
  モデルに基づく強化学習手法であるIso-Dream++を提案する。 我々は、切り離された潜在的想像力に基づいて政策最適化を行う。 これにより、野生の混合力学源を孤立させることで、長い水平振動子制御タスクの恩恵を受けることができる。
  論文  参考訳（メタデータ） (2023-03-27T02:55:56Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Sparsity in Partially Controllable Linear Systems [56.142264865866636]
  本研究では, 部分制御可能な線形力学系について, 基礎となる空間パターンを用いて検討する。 最適制御には無関係な状態変数を特徴付ける。
  論文  参考訳（メタデータ） (2021-10-12T16:41:47Z)
• GEM: Group Enhanced Model for Learning Dynamical Control Systems [78.56159072162103]
  サンプルベースの学習が可能な効果的なダイナミクスモデルを構築します。 リー代数ベクトル空間上のダイナミクスの学習は、直接状態遷移モデルを学ぶよりも効果的であることを示す。 この研究は、ダイナミクスの学習とリー群の性質の関連性を明らかにし、新たな研究の方向への扉を開く。
  論文  参考訳（メタデータ） (2021-04-07T01:08:18Z)
• Hierarchical Decomposition of Nonlinear Dynamics and Control for System Identification and Policy Distillation [39.83837705993256]
  強化学習(RL)の最近のトレンドは、力学と政策の複雑な表現に焦点を当てている。 制御コミュニティからインスピレーションを得て、複雑なダイナミクスをより単純なコンポーネントに分解するために、ハイブリッドスイッチングシステムの原則を適用します。
  論文  参考訳（メタデータ） (2020-05-04T12:40:59Z)
• Learning Stable Deep Dynamics Models [91.90131512825504]
  状態空間全体にわたって安定することが保証される力学系を学習するためのアプローチを提案する。 このような学習システムは、単純な力学系をモデル化することができ、複雑な力学を学習するために追加の深層生成モデルと組み合わせることができることを示す。
  論文  参考訳（メタデータ） (2020-01-17T00:04:45Z)
• Implicit Regularization and Momentum Algorithms in Nonlinearly Parameterized Adaptive Control and Prediction [13.860437051795419]
  我々は,古典的適応非線形制御技術と最近の機械学習の進歩との間に強いつながりを生かしている。 適応的非線形制御と適応的ダイナミクス予測の両方において,アルゴリズム開発には未発達の可能性があることが示されている。
  論文  参考訳（メタデータ） (2019-12-31T03:13:25Z)

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。