論文の概要: Learnable & Interpretable Model Combination in Dynamic Systems Modeling
- arxiv url: http://arxiv.org/abs/2406.08093v1
- Date: Wed, 12 Jun 2024 11:17:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-13 17:15:13.644507
- Title: Learnable & Interpretable Model Combination in Dynamic Systems Modeling
- Title(参考訳): 動的システムモデリングにおける学習可能・解釈可能モデルの組み合わせ
- Authors: Tobias Thummerer, Lars Mikelsons,
- Abstract要約: 我々は、通常、どのモデルが組み合わされるかについて議論し、様々な混合方程式に基づくモデルを表現することができるモデルインターフェースを提案する。
本稿では,2つの組み合わせモデル間の汎用的な接続を,容易に解釈可能な方法で記述できる新しいワイルドカードトポロジーを提案する。
本稿では、2つのモデル間の異なる接続トポロジを学習し、解釈し、比較する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the core concepts in science, and something that happens intuitively in every-day dynamic systems modeling, is the combination of models or methods. Especially in dynamical systems modeling, often two or more structures are combined to obtain a more powerful or efficient architecture regarding a specific application (area). Further, even physical simulations are combined with machine learning architectures, to increase prediction accuracy or optimize the computational performance. In this work, we shortly discuss, which types of models are usually combined and propose a model interface that is capable of expressing a width variety of mixed algebraic, discrete and differential equation based models. Further, we examine different established, as well as new ways of combining these models from a system theoretical point of view and highlight two challenges - algebraic loops and local event affect functions in discontinuous models - that require a special approach. Finally, we propose a new wildcard topology, that is capable of describing the generic connection between two combined models in an easy to interpret fashion that can be learned as part of a gradient based optimization procedure. The contributions of this paper are highlighted at a proof of concept: Different connection topologies between two models are learned, interpreted and compared applying the proposed methodology and software implementation.
- Abstract(参考訳): 科学における中核的な概念の1つであり、日々の動的システムモデリングにおいて直感的に起こるものは、モデルやメソッドの組み合わせである。
特に動的システムモデリングでは、2つ以上の構造が組み合わされ、特定のアプリケーション(エリア)に関するより強力で効率的なアーキテクチャが得られます。
さらに、物理シミュレーションも機械学習アーキテクチャと組み合わせて予測精度を向上させるか、計算性能を最適化する。
本稿では,どのモデルが通常組み合わされるのかを考察し,代数的,離散的,微分方程式に基づくモデルの幅の多様性を表現可能なモデルインターフェースを提案する。
さらに、システム理論の観点からこれらのモデルを組み合わせる新しい方法や、不連続モデルにおける代数的ループと局所事象の影響関数という2つの課題を強調し、特別なアプローチを必要とする。
最後に,2つの組み合わせモデル間の汎用的な接続を,勾配に基づく最適化手法の一部として容易に解釈可能な方法で記述できる新しいワイルドカードトポロジーを提案する。
2つのモデル間の異なる接続トポロジを学習し、解釈し、提案手法とソフトウェア実装を適用して比較する。
関連論文リスト
- Hybrid Modeling Design Patterns [10.266928164137635]
データ駆動コンポーネントとドメイン知識をハイブリッドアプローチに組み合わせるための青写真として機能する4つの基本パターンを提供します。
また、基本パターンとより複雑なハイブリッドモデルの組み合わせを規定する2つの構成パターンも提示する。
それぞれのデザインパターンは、気候モデリング、工学、物理学といった応用分野の典型的なユースケースによって説明されます。
論文 参考訳(メタデータ) (2023-12-29T15:40:38Z) - Algebraic Dynamical Systems in Machine Learning [0.1843404256219181]
繰り返し書き起こしシステムの出力に適用される関数がモデルの形式クラスを定義することを示す。
また、これらの代数モデルは、動的モデルの合成性を記述するための自然言語であることを示す。
これらのモデルは、構造化または非数値データ上の問題を学ぶための上記の動的モデルの一般化のためのテンプレートを提供する。
論文 参考訳(メタデータ) (2023-11-06T14:10:40Z) - Learning Modular Simulations for Homogeneous Systems [23.355189771765644]
等質多体力学系をモデル化するためのモジュラーシミュレーションフレームワークを提案する。
任意の数の加群を組み合わせることで、様々な結合トポロジーの系をシミュレートすることができる。
我々のモデルは、スクラッチからトレーニングされたモデルと比較して、データ要件やトレーニングの労力が低い新しいシステム構成に移行可能であることを示しています。
論文 参考訳(メタデータ) (2022-10-28T17:48:01Z) - Language Model Cascades [72.18809575261498]
テスト時に1つのモデルで繰り返し対話する、あるいは複数のモデルの合成は、さらに機能を拡張する。
制御フローと動的構造を持つ場合、確率的プログラミングのテクニックが必要となる。
この観点から、スクラッチパッド/思考連鎖、検証器、STaR、選択推論、ツール利用など、いくつかの既存のテクニックを定式化します。
論文 参考訳(メタデータ) (2022-07-21T07:35:18Z) - Modeling Systems with Machine Learning based Differential Equations [0.0]
微分方程式の解として,力学系の時間連続モデルの設計を提案する。
以上の結果から,本手法は合成データや実験データに有用である可能性が示唆された。
論文 参考訳(メタデータ) (2021-09-09T19:10:46Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳(メタデータ) (2021-07-07T11:17:09Z) - Model Complexity of Deep Learning: A Survey [79.20117679251766]
深層学習におけるモデル複雑性に関する最新の研究を体系的に概観します。
本稿では,これら2つのカテゴリに関する既存研究について,モデルフレームワーク,モデルサイズ,最適化プロセス,データ複雑性の4つの重要な要因について概説する。
論文 参考訳(メタデータ) (2021-03-08T22:39:32Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳(メタデータ) (2020-10-25T18:51:15Z) - S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。
我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
論文 参考訳(メタデータ) (2020-07-13T17:44:30Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳(メタデータ) (2020-03-04T00:44:57Z)
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。