論文の概要: Discovering Governing equations from Graph-Structured Data by Sparse Identification of Nonlinear Dynamical Systems

• arxiv url: http://arxiv.org/abs/2409.04463v1
• Date: Mon, 2 Sep 2024 17:51:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-15 05:31:27.776902
• Title: Discovering Governing equations from Graph-Structured Data by Sparse Identification of Nonlinear Dynamical Systems
• Title（参考訳）: 非線形力学系のスパース同定によるグラフ構造データからのゲバニング方程式の発見
• Authors: Mohammad Amin Basiri, Sina Khanmohammadi,
• Abstract要約: グラフ構造化データ(SINDyG)から動的システムのスパース同定法を開発した。 SINDyGは、ネットワーク構造をスパースレグレッションに組み込んで、基礎となるネットワーク力学を説明するモデルパラメータを識別する。
• 参考スコア（独自算出の注目度）: 0.27624021966289597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The combination of machine learning (ML) and sparsity-promoting techniques is enabling direct extraction of governing equations from data, revolutionizing computational modeling in diverse fields of science and engineering. The discovered dynamical models could be used to address challenges in climate science, neuroscience, ecology, finance, epidemiology, and beyond. However, most existing sparse identification methods for discovering dynamical systems treat the whole system as one without considering the interactions between subsystems. As a result, such models are not able to capture small changes in the emergent system behavior. To address this issue, we developed a new method called Sparse Identification of Nonlinear Dynamical Systems from Graph-structured data (SINDyG), which incorporates the network structure into sparse regression to identify model parameters that explain the underlying network dynamics. SINDyG discovers the governing equations of network dynamics while offering improvements in accuracy and model simplicity.
• Abstract（参考訳）: 機械学習(ML)と疎性促進技術の組み合わせは、データから支配方程式を直接抽出し、科学と工学の様々な分野における計算モデルに革命をもたらす。 発見された力学モデルは、気候科学、神経科学、生態学、財務学、疫学などの課題に対処するために用いられる。 しかし、力学系を発見するための既存のスパース同定法のほとんどは、サブシステム間の相互作用を考慮せずにシステム全体を一つのものとして扱う。 結果として、そのようなモデルは創発的なシステムの振る舞いの小さな変化を捉えることができない。 そこで我々は,グラフ構造データ(SINDyG)から非線形力学系のスパース同定法を開発し,ネットワーク構造をスパース回帰に組み込んで,基礎となるネットワーク力学を説明するモデルパラメータを同定した。 SINDyGは、精度とモデルの単純さを改善しながら、ネットワーク力学の制御方程式を発見する。

関連論文リスト

• Deep Generative Modeling for Identification of Noisy, Non-Stationary Dynamical Systems [3.1484174280822845]
  非線形・雑音・非自律力学系に対する擬似常微分方程式(ODE)モデルを求めることに集中する。 提案手法は,SINDyとSINDy(非線形力学のスパース同定)を結合し,スパースODEの時間変化係数をモデル化する。
  論文  参考訳（メタデータ） (2024-10-02T23:00:00Z)
• Learning System Dynamics without Forgetting [60.08612207170659]
  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。
  論文  参考訳（メタデータ） (2024-06-30T14:55:18Z)
• Learning Governing Equations of Unobserved States in Dynamical Systems [0.0]
  我々は、部分的に観測された力学系の制御方程式を学習するために、ハイブリッドニューラルネットワークODE構造を用いる。 本手法は, 観測されていない状態の真の支配方程式の学習に有効であることを示す。
  論文  参考訳（メタデータ） (2024-04-29T10:28:14Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• Learning Latent Dynamics via Invariant Decomposition and (Spatio-)Temporal Transformers [0.6767885381740952]
  本研究では,高次元経験データから力学系を学習する手法を提案する。 我々は、システムの複数の異なるインスタンスからデータが利用できる設定に焦点を当てる。 我々は、単純な理論的分析と、合成および実世界のデータセットに関する広範な実験を通して行動を研究する。
  論文  参考訳（メタデータ） (2023-06-21T07:52:07Z)
• Stretched and measured neural predictions of complex network dynamics [2.1024950052120417]
  微分方程式のデータ駆動近似は、力学系のモデルを明らかにする従来の方法に代わる有望な方法である。 最近、ダイナミックスを研究する機械学習ツールとしてニューラルネットワークが採用されている。これは、データ駆動型ソリューションの検出や微分方程式の発見に使用できる。 従来の統計学習理論の限界を超えてモデルの一般化可能性を拡張することは可能であることを示す。
  論文  参考訳（メタデータ） (2023-01-12T09:44:59Z)
• 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)
• 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)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)

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。