論文の概要: Toward Physics-guided Time Series Embedding

• arxiv url: http://arxiv.org/abs/2410.06651v1
• Date: Wed, 9 Oct 2024 08:04:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-01 04:29:49.587055
• Title: Toward Physics-guided Time Series Embedding
• Title（参考訳）: 物理誘導型時系列埋め込みに向けて
• Authors: Jiaxi Hu, Bowen Zhang, Qingsong Wen, Fugee Tsung, Yuxuan Liang,
• Abstract要約: 本稿では,パラメータ化された埋め込み層が非線形時系列の線形推定を本質的に提供するエンベディング・デュナリティ理論を提案する。 この理論により、パラメータ化された埋め込み層をバイパスし、物理再構成技術を直接利用してデータ埋め込み表現を得ることができる。
• 参考スコア（独自算出の注目度）: 30.44614525228785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In various scientific and engineering fields, the primary research areas have revolved around physics-based dynamical systems modeling and data-driven time series analysis. According to the embedding theory, dynamical systems and time series can be mutually transformed using observation functions and physical reconstruction techniques. Based on this, we propose Embedding Duality Theory, where the parameterized embedding layer essentially provides a linear estimation of the non-linear time series dynamics. This theory enables us to bypass the parameterized embedding layer and directly employ physical reconstruction techniques to acquire a data embedding representation. Utilizing physical priors results in a 10X reduction in parameters, a 3X increase in speed, and maximum performance boosts of 18% in expert, 22% in few-shot, and 53\% in zero-shot tasks without any hyper-parameter tuning. All methods are encapsulated as a plug-and-play module
• Abstract（参考訳）: 様々な科学・工学分野において、主要な研究分野は物理に基づく力学系モデリングとデータ駆動時系列解析である。 埋め込み理論によれば、力学系と時系列は観測関数と物理再構成技術を用いて相互に変換できる。 これに基づいて、パラメータ化された埋め込み層が本質的に非線形時系列の線形推定を提供するエンベディング・デュナリティ理論を提案する。 この理論により、パラメータ化された埋め込み層をバイパスし、物理再構成技術を直接利用してデータ埋め込み表現を得ることができる。 物理的プリミティブを使用すると、パラメータの10倍の削減、スピードの3倍のアップ、エキスパートの18%、少数ショットの22%、超パラメータチューニングのないゼロショットタスクの53倍のパフォーマンスが向上する。 すべてのメソッドはプラグイン・アンド・プレイモジュールとしてカプセル化される

関連論文リスト

• Learning Physics From Video: Unsupervised Physical Parameter Estimation for Continuous Dynamical Systems [49.11170948406405]
  ビデオからの自動パラメータ推定の最先端は、大規模データセット上で教師付きディープネットワークをトレーニングすることによって解決される。 単一ビデオから, 既知, 連続制御方程式の物理パラメータを推定する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-02T09:44:54Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• 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)
• PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for Geometry-Agnostic System Identification [64.61198351207752]
  ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。 本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。 マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T18:59:50Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• An extended physics informed neural network for preliminary analysis of parametric optimal control problems [0.0]
  本研究では、パラメトリック偏微分方程式に対する教師付き学習戦略の拡張を提案する。 我々の主な目標は、パラメトリケート現象を短時間でシミュレートする物理情報学習パラダイムを提供することです。
  論文  参考訳（メタデータ） (2021-10-26T09:39:05Z)
• Physics-constrained Deep Learning of Multi-zone Building Thermal Dynamics [6.970705794911342]
  熱力学をモデル化するための物理制約付き制御指向深層学習法を提案する。 具体的には、従来の物理に基づくビルディングモデリングからニューラルネットワーク熱力学モデル構造への構造的先行性を含める。 本研究では,20の温熱領域を有する実世界のオフィスビルディングから得られたデータセットに対して,データ駆動型モデリング手法の有効性と物理的解釈性を示す。
  論文  参考訳（メタデータ） (2020-11-11T06:39:14Z)
• Spring-Rod System Identification via Differentiable Physics Engine [10.226310620727942]
  複雑なスプリングロッドアセンブリのシステム同定のための新しい微分可能な物理エンジンを提案する。 従来の物理エンジンと同様、動作の制御方程式の離散形式を用いて、エンジンの設計をモジュール化する。
  論文  参考訳（メタデータ） (2020-11-09T04:36:22Z)
• Automatic Differentiation and Continuous Sensitivity Analysis of Rigid Body Dynamics [15.565726546970678]
  剛体力学のための微分可能な物理シミュレータを提案する。 軌道最適化の文脈では、閉ループモデル予測制御アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-01-22T03:54:00Z)

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。