論文の概要: Using Linearized Optimal Transport to Predict the Evolution of Stochastic Particle Systems

• arxiv url: http://arxiv.org/abs/2408.01857v1
• Date: Sat, 3 Aug 2024 20:00:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-06 18:11:11.431578
• Title: Using Linearized Optimal Transport to Predict the Evolution of Stochastic Particle Systems
• Title（参考訳）: 線形化された最適輸送を用いた確率粒子系の進化予測
• Authors: Nicholas Karris, Evangelos A. Nikitopoulos, Ioannis Kevrekidis, Seungjoon Lee, Alexander Cloninger,
• Abstract要約: 我々は,確率測度の時間発展を,その進化を管理する演算子を明示的に学習することなく近似するアルゴリズムを開発した。 特に興味深い応用は、粒子系から生じる離散測度$mu_tN$である。
• 参考スコア（独自算出の注目度）: 42.49693678817552
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop an algorithm to approximate the time evolution of a probability measure without explicitly learning an operator that governs the evolution. A particular application of interest is discrete measures $\mu_t^N$ that arise from particle systems. In many such situations, the individual particles move chaotically on short time scales, making it difficult to learn the dynamics of a governing operator, but the bulk distribution $\mu_t^N$ approximates an absolutely continuous measure $\mu_t$ that evolves ``smoothly.'' If $\mu_t$ is known on some time interval, then linearized optimal transport theory provides an Euler-like scheme for approximating the evolution of $\mu_t$ using its ``tangent vector field'' (represented as a time-dependent vector field on $\mathbb R^d$), which can be computed as a limit of optimal transport maps. We propose an analog of this Euler approximation to predict the evolution of the discrete measure $\mu_t^N$ (without knowing $\mu_t$). To approximate the analogous tangent vector field, we use a finite difference over a time step that sits between the two time scales of the system -- long enough for the large-$N$ evolution ($\mu_t$) to emerge but short enough to satisfactorily approximate the derivative object used in the Euler scheme. By allowing the limiting behavior to emerge, the optimal transport maps closely approximate the vector field describing the bulk distribution's smooth evolution instead of the individual particles' more chaotic movements. We demonstrate the efficacy of this approach with two illustrative examples, Gaussian diffusion and a cell chemotaxis model, and show that our method succeeds in predicting the bulk behavior over relatively large steps.
• Abstract（参考訳）: 我々は,確率測度の時間発展を,その進化を規定する演算子を明示的に学習することなく近似するアルゴリズムを開発した。 特に興味深い応用は、粒子系から生じる離散測度$\mu_t^N$である。 多くの状況において、個々の粒子は短時間のスケールでカオス的に動き、支配作用素の力学を学ぶことは困難であるが、バルク分布 $\mu_t^N$ は ``smoothly' を進化させる絶対連続測度 $\mu_t$ を近似する。 ''$\mu_t$ が時間間隔で知られているなら、線形化された最適輸送理論は、$\mu_t$ の進化を ' `tangent vector field'' ($\mathbb R^d$ 上の時間依存ベクトル場として表現される) を用いて近似するオイラー的なスキームを提供する。 離散測度 $\mu_t^N$($\mu_t$を知らずに)の進化を予測するために、このオイラー近似の類似体を提案する。 類似の接ベクトル場を近似するために、系の2つの時間スケールの間に位置する時間ステップに有限差を使い、大きなN$進化(英語版)(\mu_t$)が現れるのに十分長いが、オイラースキームで使われる微分対象を十分に近似するのに十分短い。 制限挙動の出現を許すことで、最適輸送写像は、粒子のよりカオス的な動きではなく、バルク分布の滑らかな進化を記述するベクトル場を近似する。 本手法の有効性を,ガウス拡散モデルと細胞遊走モデルという2つの例を用いて実証し,本手法が比較的大きなステップでバルク挙動を予測することに成功していることを示す。

関連論文リスト

• Inferring Parameter Distributions in Heterogeneous Motile Particle Ensembles: A Likelihood Approach for Second Order Langevin Models [0.8274836883472768]
  実験によって得られた時間離散軌道データから,動作パターンを理解し,予測するために推論手法が必要である。 非線形二階ランゲヴィンモデルの確率を近似する新しい手法を提案する。 これにより、アクティブに駆動されたエンティティのための動的モデルの体系的、データ駆動推論の道を開いた。
  論文  参考訳（メタデータ） (2024-11-13T15:27:02Z)
• von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
  円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。 後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• Interacting Particle Langevin Algorithm for Maximum Marginal Likelihood Estimation [2.53740603524637]
  我々は,最大限界推定法を実装するための相互作用粒子系のクラスを開発する。 特に、この拡散の定常測度のパラメータ境界がギブス測度の形式であることを示す。 特定の再スケーリングを用いて、このシステムの幾何学的エルゴディディティを証明し、離散化誤差を限定する。 時間的に一様で、粒子の数で増加しない方法で。
  論文  参考訳（メタデータ） (2023-03-23T16:50:08Z)
• Scalable and adaptive variational Bayes methods for Hawkes processes [4.580983642743026]
  本稿では,スペーサ性誘導法を提案し,一般的なシグモイドホークスプロセスに対する適応平均場変動アルゴリズムを導出する。 我々のアルゴリズムは並列性があり、したがって高次元設定では計算効率がよい。
  論文  参考訳（メタデータ） (2022-12-01T05:35:32Z)
• Measurement-based deterministic imaginary time evolution [2.2653383133675966]
  本稿では,実測値と条件付きユニタリ演算を用いた制御可能な量子システムにおいて,仮想時間進化を行う手法を提案する。 このアルゴリズムは, 特定のエネルギー閾値以下で収束し, 特定の問題の場合の複雑性を推定する。
  論文  参考訳（メタデータ） (2022-02-18T09:42:46Z)
• The Variational Method of Moments [65.91730154730905]
  条件モーメント問題は、観測可能量の観点から構造因果パラメータを記述するための強力な定式化である。 OWGMMの変動最小値再構成により、条件モーメント問題に対する非常に一般的な推定器のクラスを定義する。 同じ種類の変分変換に基づく統計的推測のためのアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2020-12-17T07:21:06Z)
• Pathwise Conditioning of Gaussian Processes [72.61885354624604]
  ガウス過程後部をシミュレーションするための従来のアプローチでは、有限個の入力位置のプロセス値の限界分布からサンプルを抽出する。 この分布中心の特徴づけは、所望のランダムベクトルのサイズで3次スケールする生成戦略をもたらす。 条件付けのこのパスワイズ解釈が、ガウス過程の後部を効率的にサンプリングするのに役立てる近似の一般族をいかに生み出すかを示す。
  論文  参考訳（メタデータ） (2020-11-08T17:09:37Z)
• Path Sample-Analytic Gradient Estimators for Stochastic Binary Networks [78.76880041670904]
  二進的アクティベーションや二進的重みを持つニューラルネットワークでは、勾配降下によるトレーニングは複雑である。 そこで本研究では,サンプリングと解析近似を併用した新しい推定法を提案する。 勾配推定において高い精度を示し、深部畳み込みモデルにおいてより安定かつ優れた訓練を行うことを示す。
  論文  参考訳（メタデータ） (2020-06-04T21:51:21Z)
• Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
  高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。 分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
  論文  参考訳（メタデータ） (2020-02-21T14:03:16Z)

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。