論文の概要: Entropic Regression DMD (ERDMD) Discovers Informative Sparse and Nonuniformly Time Delayed Models

• arxiv url: http://arxiv.org/abs/2406.12062v1
• Date: Mon, 17 Jun 2024 20:02:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-19 23:57:20.004459
• Title: Entropic Regression DMD (ERDMD) Discovers Informative Sparse and Nonuniformly Time Delayed Models
• Title（参考訳）: エントロピック回帰MD(ERDMD)は不均一時間遅れモデルと不均一時間遅延モデルを発見する
• Authors: Christopher W. Curtis, Erik Bollt, Daniel Jay Alford-Lago,
• Abstract要約: エントロピー回帰を用いた最適多段階動的モード分解モデルを決定する手法を提案する。 非一様時間空間を実現するために,高忠実度時間遅延MDDモデルを生成する手法を開発した。 これらのモデルは、非常に効率的で堅牢であることが示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we present a method which determines optimal multi-step dynamic mode decomposition (DMD) models via entropic regression, which is a nonlinear information flow detection algorithm. Motivated by the higher-order DMD (HODMD) method of \cite{clainche}, and the entropic regression (ER) technique for network detection and model construction found in \cite{bollt, bollt2}, we develop a method that we call ERDMD that produces high fidelity time-delay DMD models that allow for nonuniform time space, and the time spacing is discovered by consider most informativity based on ER. These models are shown to be highly efficient and robust. We test our method over several data sets generated by chaotic attractors and show that we are able to build excellent reconstructions using relatively minimal models. We likewise are able to better identify multiscale features via our models which enhances the utility of dynamic mode decomposition.
• Abstract（参考訳）: 本研究では,非線形情報フロー検出アルゴリズムであるエントロピー回帰を用いて,最適多段階動的モード分解(DMD)モデルを決定する手法を提案する。 本研究では,高次DMD (HODMD) 法と,ネットワーク検出とモデル構築のためのエントロピック回帰 (ER) 手法を用いて,不均一な時間空間を許容する高忠実度時間遅延DMDモデルを生成するEDDMDと呼ばれる手法を開発した。 これらのモデルは、非常に効率的で堅牢であることが示されている。 カオス的アトラクタによって生成された複数のデータセット上で本手法を検証し,比較的最小限のモデルを用いて優れた再構成を構築可能であることを示す。 同様に、動的モード分解の実用性を高めるモデルにより、マルチスケールの機能をよりよく識別できる。

関連論文リスト

• On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
  拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。 本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
  論文  参考訳（メタデータ） (2024-05-18T15:59:41Z)
• Dynamic Mode Decomposition for data-driven analysis and reduced-order modelling of ExB plasmas: I. Extraction of spatiotemporally coherent patterns [3.203036813451742]
  データ駆動解析とプラズマ力学の低次モデリングのための動的モード分解(DMD)アルゴリズムの一般性を評価する。
  論文  参考訳（メタデータ） (2023-08-26T01:37:52Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Bagging, optimized dynamic mode decomposition (BOP-DMD) for robust, stable forecasting with spatial and temporal uncertainty-quantification [2.741266294612776]
  動的モード分解(DMD)は、時間的または時間的データのスナップショット上で、最適な線形力学モデルを学習するためのフレームワークを提供する。 DMDアルゴリズムの大多数は、力学のノイズ測定によるバイアスエラーを起こしやすいため、モデル適合性の低下と不安定な予測能力に繋がる。 最適化されたMDDアルゴリズムは、変数予測最適化によりモデルバイアスを最小限に抑え、安定化された予測能力をもたらす。
  論文  参考訳（メタデータ） (2021-07-22T18:14:20Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)
• Towards an Adaptive Dynamic Mode Decomposition [0.0]
  Dynamic Mode Decomposition (DMD) は、ある時点の数量を将来同じ数量にマッピングする行列を識別するデータベースのモデリングツールである。 我々は、時間遅延座標、投影法、フィルタをデータの性質に応じて利用し、利用可能な問題のモデルを作成するAdaptive Dynamic Mode Decomposition (ADMD) と呼ばれる新しいバージョンを設計する。
  論文  参考訳（メタデータ） (2020-12-11T22:50:09Z)
• Unifying Theorems for Subspace Identification and Dynamic Mode Decomposition [6.735657356113614]
  本稿では,SID-DMDアルゴリズムを提案する。 我々は,映像データから直接動的モデルを構築することを目的としたケーススタディを用いて,その展開を実証する。
  論文  参考訳（メタデータ） (2020-03-16T19:03:04Z)
• Variational Hyper RNN for Sequence Modeling [69.0659591456772]
  本稿では,時系列データにおける高変数の取得に優れる新しい確率的シーケンスモデルを提案する。 提案手法では,時間潜時変数を用いて基礎となるデータパターンに関する情報をキャプチャする。 提案手法の有効性を,合成および実世界のシーケンシャルデータに示す。
  論文  参考訳（メタデータ） (2020-02-24T19:30:32Z)

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。