Fugu-MT 論文翻訳(概要): Data-driven Effective Modeling of Multiscale Stochastic Dynamical Systems

論文の概要: Data-driven Effective Modeling of Multiscale Stochastic Dynamical Systems

arxiv url: http://arxiv.org/abs/2408.14821v1
Date: Tue, 27 Aug 2024 07:03:51 GMT
ステータス: 処理完了
システム内更新日: 2024-08-28 14:45:05.231090
Title: Data-driven Effective Modeling of Multiscale Stochastic Dynamical Systems
Title（参考訳）: マルチスケール確率力学系のデータ駆動効果的モデリング
Authors: Yuan Chen, Dongbin Xiu,
Abstract要約: 本稿では,未知のマルチスケール力学系の遅い成分の力学を数値的に学習する手法を提案する。提案手法は, 観測データを利用して, 分布の遅い変数の有効ダイナミクスを正確に把握できる生成モデルを構築することができる。
参考スコア（独自算出の注目度）: 4.357350642401934
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a numerical method for learning the dynamics of slow components of unknown multiscale stochastic dynamical systems. While the governing equations of the systems are unknown, bursts of observation data of the slow variables are available. By utilizing the observation data, our proposed method is capable of constructing a generative stochastic model that can accurately capture the effective dynamics of the slow variables in distribution. We present a comprehensive set of numerical examples to demonstrate the performance of the proposed method.
Abstract（参考訳）: 本稿では,未知のマルチスケール確率力学系の遅い成分の力学を数値的に学習する手法を提案する。システムの制御方程式は未知であるが、遅い変数の観測データのバーストが利用可能である。提案手法は, 観測データを利用して, 分布の遅い変数の有効ダイナミクスを正確に把握できる生成確率モデルを構築することができる。本稿では,提案手法の性能を実証するための数値的な例を包括的に提示する。

関連論文リスト

Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文参考訳（メタデータ） (2024-11-04T11:09:58Z)
Modeling Unknown Stochastic Dynamical System Subject to External Excitation [4.357350642401934]
未知の非線形力学系を学習するための数値的手法を提案する。私たちの基本的な前提は、システムの統治方程式は利用できないということです。十分な量のI/Oデータが得られる場合,本手法は未知のダイナミクスを学習することができる。
論文参考訳（メタデータ） (2024-06-22T06:21:44Z)
Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文参考訳（メタデータ） (2023-07-21T14:25:06Z)
Reservoir Computing with Error Correction: Long-term Behaviors of Stochastic Dynamical Systems [5.815325960286111]
本稿では,Reservoir Computingと正規化フローを組み合わせたデータ駆動型フレームワークを提案する。提案手法の有効性をVan der Pal, El Nino-Southern Oscillation Simple model, Lorenz system などいくつかの実験で検証した。
論文参考訳（メタデータ） (2023-05-01T05:50:17Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
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)
Learning Unstable Dynamics with One Minute of Data: A Differentiation-based Gaussian Process Approach [47.045588297201434]
ガウス過程の微分可能性を利用して、真の連続力学の状態依存線形化近似を作成する方法を示す。 9次元セグウェイのような不安定なシステムのシステムダイナミクスを反復的に学習することで、アプローチを検証する。
論文参考訳（メタデータ） (2021-03-08T05:08:47Z)
ImitationFlow: Learning Deep Stable Stochastic Dynamic Systems by Normalizing Flows [29.310742141970394]
我々は,世界規模で安定な非線形力学を学習できる新しいDeep生成モデルであるImitationFlowを紹介した。提案手法の有効性を,標準データセットと実ロボット実験の両方で示す。
論文参考訳（メタデータ） (2020-10-25T14:49:46Z)
Bayesian differential programming for robust systems identification under uncertainty [14.169588600819546]
本稿では,非線形力学系のノイズ,スパース,不規則な観測からベイズ系を同定する機械学習フレームワークを提案する。提案手法は、微分可能プログラミングの最近の発展を利用して、通常の微分方程式解法を用いて勾配情報を伝播する。スパーシティプロモーティングプリエントを用いることで、下層の潜在力学に対する解釈可能かつ同義的な表現の発見が可能になる。
論文参考訳（メタデータ） (2020-04-15T00:51:14Z)
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。