論文の概要: Amortized Equation Discovery in Hybrid Dynamical Systems

• arxiv url: http://arxiv.org/abs/2406.03818v1
• Date: Thu, 6 Jun 2024 07:49:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-07 15:59:34.055269
• Title: Amortized Equation Discovery in Hybrid Dynamical Systems
• Title（参考訳）: ハイブリッド力学系における補正方程式の発見
• Authors: Yongtuo Liu, Sara Magliacane, Miltiadis Kofinas, Efstratios Gavves,
• Abstract要約: AMORE(Amortized Equation Discovery)と呼ばれるエンド・ツー・エンドの学習フレームワークを提案する。 本手法は, 方程式発見, セグメンテーション, 予測における従来の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 32.50003272850151
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hybrid dynamical systems are prevalent in science and engineering to express complex systems with continuous and discrete states. To learn the laws of systems, all previous methods for equation discovery in hybrid systems follow a two-stage paradigm, i.e. they first group time series into small cluster fragments and then discover equations in each fragment separately through methods in non-hybrid systems. Although effective, these methods do not fully take advantage of the commonalities in the shared dynamics of multiple fragments that are driven by the same equations. Besides, the two-stage paradigm breaks the interdependence between categorizing and representing dynamics that jointly form hybrid systems. In this paper, we reformulate the problem and propose an end-to-end learning framework, i.e. Amortized Equation Discovery (AMORE), to jointly categorize modes and discover equations characterizing the dynamics of each mode by all segments of the mode. Experiments on four hybrid and six non-hybrid systems show that our method outperforms previous methods on equation discovery, segmentation, and forecasting.
• Abstract（参考訳）: ハイブリッド力学系は、連続的および離散的な状態を持つ複雑な系を表現するために科学や工学で広く用いられている。 システムの法則を学ぶために、ハイブリッドシステムにおける方程式発見のこれまでのすべての方法は、2段階のパラダイム、すなわち、最初の時系列を小さなクラスタのフラグメントにグループ化し、次に非ハイブリッドシステムにおける方法を通して各フラグメント内の方程式を別々に発見する。 有効ではあるが、これらの手法は、同じ方程式によって駆動される複数のフラグメントの共有力学における共通点を完全に活用するわけではない。 さらに、2段階のパラダイムは、ハイブリッドシステムと共同で形成するダイナミクスの分類と表現の相互依存を断ち切る。 本稿では、各モードの動的特性を各モードのすべてのセグメントで特徴付ける方程式を共同で分類し、発見するために、問題を再構築し、AMORE(Amortized Equation Discovery)というエンドツーエンド学習フレームワークを提案する。 4つのハイブリッド系と6つの非ハイブリッド系の実験により、我々の手法は方程式発見、セグメンテーション、予測における従来の手法よりも優れていることが示された。

関連論文リスト

• Learning Controlled Stochastic Differential Equations [61.82896036131116]
  本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。 我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。 当社のメソッドはオープンソースPythonライブラリとして利用可能です。
  論文  参考訳（メタデータ） (2024-11-04T11:09:58Z)
• 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)
• Neural Differential Algebraic Equations [6.100037457394823]
  微分代数方程式(DAE)のデータ駆動モデリングに適したニューラル微分代数方程式(NDAE)を提案する。 提案したNDAEs抽象化は、関連するシステム理論データ駆動モデリングタスクに適していることを示す。
  論文  参考訳（メタデータ） (2024-03-19T17:43:57Z)
• Tensor Decompositions Meet Control Theory: Learning General Mixtures of Linear Dynamical Systems [19.47235707806519]
  テンソル分解に基づく線形力学系の混合を学習するための新しいアプローチを提案する。 このアルゴリズムは, 成分の分離条件が強くないまま成功し, 軌道のベイズ最適クラスタリングと競合することができる。
  論文  参考訳（メタデータ） (2023-07-13T03:00:01Z)
• 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)
• ChemTab: A Physics Guided Chemistry Modeling Framework [5.368509527675853]
  進行変数とルックアップモデルの共同学習により,より正確な結果が得られることを示す。 我々は、共同学習タスク用にカスタマイズされたChemTabと呼ばれるディープニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-02-20T16:21:13Z)
• Ensemble Recognition in Reproducing Kernel Hilbert Spaces through Aggregated Measurements [0.0]
  カーネルヒルベルト空間(RKHS)再生における統計的アプローチを用いて,アンサンブル系の動的特性を集団行動から学習する問題について検討する。 RKHSで集計した計測値間の最大平均差(MMD)を計算し,複数のアンサンブルシステムを特定し,クラスタ化するフレームワークを提供する。 提案手法は, RKHS における複数の未知のアンサンブルを集約するために, 集約された測定値を用いて拡張可能であることを示す。
  論文  参考訳（メタデータ） (2021-12-28T22:04:03Z)
• Structure-Preserving Learning Using Gaussian Processes and Variational Integrators [62.31425348954686]
  本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。 我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
  論文  参考訳（メタデータ） (2021-12-10T11:09:29Z)
• Multi-objective discovery of PDE systems using evolutionary approach [77.34726150561087]
  本稿では,多目的共進化アルゴリズムについて述べる。 システム内の単一の方程式とシステム自体が同時に進化し、システムを得る。 単一のベクトル方程式とは対照的に、コンポーネント・ワイド・システムは専門家の解釈により適しており、従って応用にも適している。
  論文  参考訳（メタデータ） (2021-03-11T15:37:52Z)
• Inference of Stochastic Dynamical Systems from Cross-Sectional Population Data [8.905677748354364]
  生物化学、疫学、金融数学、その他多くの科学分野において、個体群や時間経過データから力学系の駆動方程式を推測することは重要である。 本研究では, 微分方程式に基づいて, 人口の確率密度の進化を記述するフォッカー・プランク方程式を推定し, 計算的に推定する。 そして、USDLアプローチに従って、Fokker-Planck方程式を適切なテスト関数の集合に投影し、方程式の線形系に変換する。
  論文  参考訳（メタデータ） (2020-12-09T14:02:29Z)

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。