論文の概要: Learning System Dynamics without Forgetting

• arxiv url: http://arxiv.org/abs/2407.00717v1
• Date: Sun, 30 Jun 2024 14:55:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-04 01:57:25.926034
• Title: Learning System Dynamics without Forgetting
• Title（参考訳）: 忘れることなくシステムダイナミクスを学習する
• Authors: Xikun Zhang, Dongjin Song, Yushan Jiang, Yixin Chen, Dacheng Tao,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 60.08612207170659
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting the trajectories of systems with unknown dynamics (\textit{i.e.} the governing rules) is crucial in various research fields, including physics and biology. This challenge has gathered significant attention from diverse communities. Most existing works focus on learning fixed system dynamics within one single system. However, real-world applications often involve multiple systems with different types of dynamics or evolving systems with non-stationary dynamics (dynamics shifts). When data from those systems are continuously collected and sequentially fed to machine learning models for training, these models tend to be biased toward the most recently learned dynamics, leading to catastrophic forgetting of previously observed/learned system dynamics. To this end, we aim to learn system dynamics via continual learning. Specifically, we present a novel framework of Mode-switching Graph ODE (MS-GODE), which can continually learn varying dynamics and encode the system-specific dynamics into binary masks over the model parameters. During the inference stage, the model can select the most confident mask based on the observational data to identify the system and predict future trajectories accordingly. Empirically, we systematically investigate the task configurations and compare the proposed MS-GODE with state-of-the-art techniques. More importantly, we construct a novel benchmark of biological dynamic systems, featuring diverse systems with disparate dynamics and significantly enriching the research field of machine learning for dynamic systems.
• Abstract（参考訳）: 未知の力学を持つ系の軌跡を予測すること (\textit{i.e.} 支配規則) は物理学や生物学など様々な研究分野において重要である。 この挑戦は様々なコミュニティから大きな注目を集めた。 既存の作業の多くは、1つのシステム内で固定システムのダイナミクスを学ぶことに集中しています。 しかし、現実世界のアプリケーションは、異なるタイプの力学を持つ複数のシステムや、非定常力学を持つ進化系(力学シフト)を含むことが多い。 これらのシステムからのデータが継続的に収集され、トレーニングのために機械学習モデルに順次供給される場合、これらのモデルは最新の学習されたダイナミクスに偏りがちである。 そこで本研究では,連続学習によるシステムダイナミクスの学習を目指す。 具体的には,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。 推測段階では、観測データに基づいて最も自信のあるマスクを選択し、システムを特定し、それに従って将来の軌道を予測することができる。 実験により,タスク構成を体系的に検討し,提案したMS-GODEと最先端技術との比較を行った。 より重要なことは、異なるダイナミクスを持つ多様なシステムを特徴とし、動的システムのための機械学習の研究分野を著しく豊かにする、生体力学システムの新しいベンチマークを構築することである。

関連論文リスト

• Generalizing Graph ODE for Learning Complex System Dynamics across Environments [33.63818978256567]
  GG-ODEは、環境全体にわたる継続的マルチエージェントシステムのダイナミクスを学習するための機械学習フレームワークである。 我々のモデルは、グラフニューラルネットワーク(GNN)によりパラメータ化されたニューラル常微分方程式(ODE)を用いてシステムダイナミクスを学習する。 様々な物理シミュレーション実験により,我々のモデルは,特に長距離において,システム力学を正確に予測できることが示されている。
  論文  参考訳（メタデータ） (2023-07-10T00:29:25Z)
• 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)
• Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
  古典力学の先行概念を機械学習モデルに統合する手法が提案されている。 これらのモデルの現在の機能について、精査する。 連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
  論文  参考訳（メタデータ） (2021-11-09T23:48:21Z)
• 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)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)
• Bridging the Gap: Machine Learning to Resolve Improperly Modeled Dynamics [4.940323406667406]
  本稿では,複雑な時間的挙動を示すシステムに対して,不適切にモデル化された力学を克服するためのデータ駆動型モデリング戦略を提案する。 本稿では,システムの真の力学と,不正確あるいは不適切に記述されたシステムのモデルによって与えられる力学の相違を解決するためのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-23T04:57:02Z)
• Neural Dynamical Systems: Balancing Structure and Flexibility in Physical Prediction [14.788494279754481]
  各種グレーボックス設定における動的モデルの学習方法であるNeural Dynamical Systems (NDS)を紹介する。 NDSはニューラルネットワークを使用してシステムの自由パラメータを推定し、残余項を予測し、将来状態を予測するために時間とともに数値的に統合する。
  論文  参考訳（メタデータ） (2020-06-23T00:50:48Z)
• 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)

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。