Fugu-MT 論文翻訳(概要): Learning Interpretable Hierarchical Dynamical Systems Models from Time Series Data

論文の概要: Learning Interpretable Hierarchical Dynamical Systems Models from Time Series Data

arxiv url: http://arxiv.org/abs/2410.04814v1
Date: Mon, 7 Oct 2024 07:54:53 GMT
ステータス: 処理完了
システム内更新日: 2024-11-02 01:47:52.528881
Title: Learning Interpretable Hierarchical Dynamical Systems Models from Time Series Data
Title（参考訳）: 時系列データから解釈可能な階層型力学系モデルの学習
Authors: Manuel Brenner, Elias Weber, Georgia Koppe, Daniel Durstewitz,
Abstract要約: 単一ドメインの動的特性を維持しつつ,グループレベル(複数ドメイン)情報を効率的に取得する方法を示す。全ての動的状態の忠実な再構築に加えて、我々の教師なし方法論は共通の低次元特徴空間を発見する。
参考スコア（独自算出の注目度）: 6.3128614613706295
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In science, we are often interested in obtaining a generative model of the underlying system dynamics from observed time series. While powerful methods for dynamical systems reconstruction (DSR) exist when data come from a single domain, how to best integrate data from multiple dynamical regimes and leverage it for generalization is still an open question. This becomes particularly important when individual time series are short, and group-level information may help to fill in for gaps in single-domain data. At the same time, averaging is not an option in DSR, as it will wipe out crucial dynamical properties (e.g., limit cycles in one domain vs. chaos in another). Hence, a framework is needed that enables to efficiently harvest group-level (multi-domain) information while retaining all single-domain dynamical characteristics. Here we provide such a hierarchical approach and showcase it on popular DSR benchmarks, as well as on neuroscientific and medical time series. In addition to faithful reconstruction of all individual dynamical regimes, our unsupervised methodology discovers common low-dimensional feature spaces in which datasets with similar dynamics cluster. The features spanning these spaces were further dynamically highly interpretable, surprisingly in often linear relation to control parameters that govern the dynamics of the underlying system. Finally, we illustrate transfer learning and generalization to new parameter regimes.
Abstract（参考訳）: 科学では、観測された時系列から基礎となるシステムダイナミクスの生成モデルを得ることにしばしば関心がある。単一のドメインからデータを得る際には、動的システム再構築(DSR)のための強力な手法が存在するが、複数の動的状態からデータを最もうまく統合し、一般化するためにそれを活用する方法は、依然として未解決の問題である。これは、個々の時系列が短いときに特に重要になり、グループレベルの情報が単一ドメインデータのギャップを埋めるのに役立つ。同時に、平均化はDSRではオプションではなく、重要な動的特性(例えば、あるドメインにおけるサイクルの制限と別のドメインにおけるカオス)を排除します。したがって,グループレベルの情報(マルチドメイン)を効率よく収集し,単一ドメインの動的特性をすべて保持できるフレームワークが必要である。ここでは、そのような階層的なアプローチを提供し、人気のあるDSRベンチマークや、神経科学および医学の時系列で紹介する。本手法では, 個々の動的状態の忠実な再構築に加えて, 類似の動的クラスタを持つデータセットに共通する低次元特徴空間を探索する。これらの空間にまたがる特徴は、より動的に高度に解釈可能であり、下層のシステムの力学を管理する制御パラメータとしばしば線形な関係にある。最後に、移動学習と新しいパラメータ体系への一般化について説明する。

関連論文リスト

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)
Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-02-18T05:35:01Z)
Causal Temporal Regime Structure Learning [49.77103348208835]
本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
論文参考訳（メタデータ） (2023-11-02T17:26:49Z)
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)
Integrating Multimodal Data for Joint Generative Modeling of Complex Dynamics [6.848555909346641]
最適復元のための様々な情報ソースを組み合わせるための効率的なフレームワークを提供する。我々のフレームワークは完全にテキスト生成され、訓練後に、基底真理系と同じ幾何学的、時間的構造を持つ軌道を生成します。
論文参考訳（メタデータ） (2022-12-15T15:21:28Z)
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)
Variational Predictive Routing with Nested Subjective Timescales [1.6114012813668934]
本稿では,時間的階層に潜む映像の特徴を整理するニューラル推論システムである変動予測ルーティング(PRV)を提案する。 VPRはイベント境界を検出し、時間的特徴を分散させ、データの動的階層に適応し、未来の正確な時間に依存しないロールアウトを生成することができることを示す。
論文参考訳（メタデータ） (2021-10-21T16:12:59Z)
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)
PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文参考訳（メタデータ） (2021-03-17T08:28:30Z)
Learning Continuous System Dynamics from Irregularly-Sampled Partial Observations [33.63818978256567]
グラフ構造を持つ多エージェント動的システムをモデル化するための潜在常微分方程式生成モデルLG-ODEを提案する。高次元軌跡の埋め込みと連続潜伏系力学を同時に学習することができる。我々のモデルは、教師なしの方法で初期状態を推論できるグラフニューラルネットワークによってパラメータ化された新しいエンコーダを採用している。
論文参考訳（メタデータ） (2020-11-08T01:02:22Z)
Relational State-Space Model for Stochastic Multi-Object Systems [24.234120525358456]
本稿では、逐次階層型潜在変数モデルであるリレーショナル状態空間モデル(R-SSM)を紹介する。 R-SSMはグラフニューラルネットワーク(GNN)を用いて、複数の相関オブジェクトの結合状態遷移をシミュレートする。 R-SSMの実用性は、合成および実時間時系列データセットで実証的に評価される。
論文参考訳（メタデータ） (2020-01-13T03:45:21Z)

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。