Fugu-MT 論文翻訳(概要): Deep Learning of Dynamic Systems using System Identification Toolbox(TM)

論文の概要: Deep Learning of Dynamic Systems using System Identification Toolbox(TM)

arxiv url: http://arxiv.org/abs/2409.07642v1
Date: Wed, 11 Sep 2024 21:54:17 GMT
ステータス: 処理完了
システム内更新日: 2024-09-13 18:21:43.806127
Title: Deep Learning of Dynamic Systems using System Identification Toolbox(TM)
Title（参考訳）: システム識別ツールボックス(TM)を用いた動的システムの深層学習
Authors: Tianyu Dai, Khaled Aljanaideh, Rong Chen, Rajiv Singh, Alec Stothert, Lennart Ljung,
Abstract要約: ツールボックスは、自動エンコーディング機能で拡張可能なニューラルステートスペースモデルを提供する。このツールボックスには、最先端の機械学習技術との統合を深める他のいくつかの拡張が含まれている。
参考スコア（独自算出の注目度）: 1.7537651436360189
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: MATLAB(R) releases over the last 3 years have witnessed a continuing growth in the dynamic modeling capabilities offered by the System Identification Toolbox(TM). The emphasis has been on integrating deep learning architectures and training techniques that facilitate the use of deep neural networks as building blocks of nonlinear models. The toolbox offers neural state-space models which can be extended with auto-encoding features that are particularly suited for reduced-order modeling of large systems. The toolbox contains several other enhancements that deepen its integration with the state-of-art machine learning techniques, leverage auto-differentiation features for state estimation, and enable a direct use of raw numeric matrices and timetables for training models.
Abstract（参考訳）: 過去3年間のMATLAB(R)リリースは、システム識別ツールボックス(TM)が提供する動的モデリング機能の継続的な成長を目撃している。ディープラーニングアーキテクチャとトレーニング技術を統合することで、ディープニューラルネットワークを非線形モデルの構築ブロックとして利用することに注力している。このツールボックスは、大規模システムの低次モデリングに特に適した自動エンコーディング機能で拡張可能なニューラルステートスペースモデルを提供する。このツールボックスには、最先端の機械学習技術との統合を強化し、状態推定に自動微分機能を活用し、トレーニングモデルに生の数値行列とタイムテーブルを直接使用可能にする、いくつかの拡張が含まれている。

関連論文リスト

Towards Scalable and Versatile Weight Space Learning [51.78426981947659]
本稿では,重み空間学習におけるSANEアプローチを紹介する。ニューラルネットワーク重みのサブセットの逐次処理に向けて,超表現の概念を拡張した。
論文参考訳（メタデータ） (2024-06-14T13:12:07Z)
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)
GreenLightningAI: An Efficient AI System with Decoupled Structural and Quantitative Knowledge [0.0]
強力な、人気のあるディープニューラルネットワークのトレーニングには、非常に高い経済的および環境的コストが伴う。この作業は、GreenLightningAIを提案することによって、根本的に異なるアプローチを取る。新しいAIシステムは、所定のサンプルに対してシステムサブセットを選択するために必要な情報を格納する。我々は,AIシステムを新しいサンプルで再学習する際に,構造情報を無修正で保持できることを実験的に示す。
論文参考訳（メタデータ） (2023-12-15T17:34:11Z)
Semi-Supervised Learning of Dynamical Systems with Neural Ordinary Differential Equations: A Teacher-Student Model Approach [10.20098335268973]
TS-NODEは、NODEで動的システムのモデリングを行うための、最初の半教師付きアプローチである。複数の動的システムモデリングタスクにおいて,ベースラインのNeural ODEモデルよりも優れた性能を示す。
論文参考訳（メタデータ） (2023-10-19T19:17:12Z)
Sparse Modular Activation for Efficient Sequence Modeling [94.11125833685583]
線形状態空間モデルと自己アテンション機構を組み合わせた最近のモデルでは、様々なシーケンスモデリングタスクにおいて顕著な結果が示されている。現在のアプローチでは、アテンションモジュールを静的かつ均一に入力シーケンスのすべての要素に適用し、最適以下の品質効率のトレードオフをもたらす。 SMA(Sparse Modular Activation)は,ニューラルネットワークが配列要素のサブモジュールを異なる方法でスパースに活性化する機構である。
論文参考訳（メタデータ） (2023-06-19T23:10:02Z)
Model LEGO: Creating Models Like Disassembling and Assembling Building Blocks [53.09649785009528]
本稿では,新しいモデルを得るためのトレーニングを必要としないパラダイムについて検討する。生体視覚系における受容野にインスパイアされたCNNの誕生と同様、モデル分解と組み立てを提案する。モデル組立には、特定のタスクに適した新しいモデルを構築するために、アライメントパディング戦略とパラメータスケーリング戦略を提案する。
論文参考訳（メタデータ） (2022-03-25T05:27:28Z)
Reservoir Computing with Diverse Timescales for Prediction of Multiscale Dynamics [5.172455794487599]
異種リークインテグレータニューロンのリカレントネットワークを用いて,様々な時間スケールの貯水池計算モデルを提案する。高速なカオス力学系を用いた予測タスクにおいて、提案モデルが既存の標準モデルよりも高いポテンシャルを持つことを示す。本分析により, 対象力学の各成分の生成に必要な時間尺度は, モデルトレーニングにより, 貯水池力学から適切な, 柔軟に選択されることが明らかとなった。
論文参考訳（メタデータ） (2021-08-21T06:52:21Z)
Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文参考訳（メタデータ） (2021-06-17T17:26:31Z)
DyNODE: Neural Ordinary Differential Equations for Dynamics Modeling in Continuous Control [0.0]
本稿では,ニューラル常微分方程式の枠組みに制御を組み込むことにより,システムの基盤となる力学を捉える新しい手法を提案する。以上の結果から,アクター批判強化学習アルゴリズムと組み合わせた単純なDyNODEアーキテクチャが,標準ニューラルネットワークより優れていることが示唆された。
論文参考訳（メタデータ） (2020-09-09T12:56:58Z)
S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
論文参考訳（メタデータ） (2020-07-13T17:44:30Z)
Deep State Space Models for Nonlinear System Identification [0.22940141855172028]
深層状態空間モデル(Deep State Space Model, SSM)は、ディープラーニングコミュニティで開発された時間モデルのための、活発に研究されているモデルクラスである。ブラックボックス識別モデルとしてのディープSSMの使用は、ディープニューラルネットワークの柔軟性による幅広いダイナミックスを記述することができる。
論文参考訳（メタデータ） (2020-03-31T12:57:39Z)

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。