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

• arxiv url: http://arxiv.org/abs/2408.01857v3
• Date: Sat, 15 Feb 2025 20:54:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:02:47.343645
• 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 G. Kevrekidis, Seungjoon Lee, Alexander Cloninger,
• Abstract要約: 我々は、線形化された最適輸送理論を用いて、測度値のアルゴリズムが、測度が滑らかに進化するときに、一階精度であることを証明する。」 本稿では,我々のアルゴリズムが長期動作を正確に近似するために必要なマイクロスケールステップの数を著しく削減することを示すことによって,本手法の有効性を実証する。
• 参考スコア（独自算出の注目度）: 42.49693678817552
• License:
• Abstract: We develop an Euler-type method to predict the evolution of a time-dependent probability measure without explicitly learning an operator that governs its evolution. We use linearized optimal transport theory to prove that the measure-valued analog of Euler's method is first-order accurate when the measure evolves ``smoothly.'' In applications of interest, however, the measure is an empirical distribution of a system of stochastic particles whose behavior is only accessible through an agent-based micro-scale simulation. In such cases, this empirical measure does not evolve smoothly because the individual particles move chaotically on short time scales. However, we can still perform our Euler-type method, and when the particles' collective distribution approximates a measure that \emph{does} evolve smoothly, we observe that the algorithm still accurately predicts this collective behavior over relatively large Euler steps. We specifically demonstrate the efficacy of our approach by showing that our algorithm vastly reduces the number of micro-scale steps needed to correctly approximate long-term behavior in two illustrative examples, reflected Brownian motion and a model of bacterial chemotaxis.
• Abstract（参考訳）: 我々は,時間依存確率尺度の進化を,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予測するオイラー型手法を開発した。 線形化された最適輸送理論を用いて、測度が ``smoothly' を進化させるとき、オイラーの方法の測度値のアナログが一階精度であることを証明する。 「」とは、利害関係の応用において、エージェントベースのマイクロスケールシミュレーションでしかアクセスできない確率的粒子系の実験的な分布である。 このような場合、この経験的尺度は、個々の粒子が短い時間スケールでカオス的に移動するため、滑らかに進化しない。 しかし、我々は依然としてオイラー型法を実行でき、粒子の集合分布が \emph{does} が滑らかに進化する測度に近似すると、アルゴリズムは比較的大きなオイラーステップ上でも、この集合挙動を正確に予測する。 提案アルゴリズムは, 長期動作を正確に近似するために必要なマイクロスケールステップの数を, ブラウン運動を反映した2つの例, 細菌の遊走のモデルにおいて, 大幅に減少させることにより, 提案手法の有効性を実証する。

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。