Fugu-MT 論文翻訳(概要): Trans-Bifurcation Prediction of Dynamics in terms of Extreme Learning Machines with Control Inputs

論文の概要: Trans-Bifurcation Prediction of Dynamics in terms of Extreme Learning Machines with Control Inputs

arxiv url: http://arxiv.org/abs/2410.13289v1
Date: Thu, 17 Oct 2024 07:34:23 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-21 14:26:20.103448
Title: Trans-Bifurcation Prediction of Dynamics in terms of Extreme Learning Machines with Control Inputs
Title（参考訳）: 制御入力を持つ極端学習機械によるダイナミクスの超分岐予測
Authors: Satoru Tadokoro, Akihiro Yamaguchi, Takao Namiki, Ichiro Tsuda,
Abstract要約: 対象とする1-パラメータ系の分岐の全体構造は,数パラメータ値のみを用いて過渡的ダイナミクスのトレーニングによってほぼ再現可能であることを示す。我々は,この卓越した学習能力を説明するためのメカニズムを提案し,Kimらによって得られた結果と類似した結果との関係について論じる。
参考スコア（独自算出の注目度）: 0.49998148477760973
License:
Abstract: By extending the extreme learning machine by additional control inputs, we achieved almost complete reproduction of bifurcation structures of dynamical systems. The learning ability of the proposed neural network system is striking in that the entire structure of the bifurcations of a target one-parameter family of dynamical systems can be nearly reproduced by training on transient dynamics using only a few parameter values. Moreover, we propose a mechanism to explain this remarkable learning ability and discuss the relationship between the present results and similar results obtained by Kim et al.
Abstract（参考訳）: 追加の制御入力によって極端な学習機械を拡張することで、動的システムの分岐構造のほぼ完全な再現を実現した。提案するニューラルネットワークシステムの学習能力は,数パラメータ値のみを用いて過渡的ダイナミクスのトレーニングを行うことで,対象とする1パラメータファミリーの動的システムの分岐の全体構造をほぼ再現できることに注目する。さらに,この卓越した学習能力を説明するためのメカニズムを提案し,Kimらによって得られた結果と類似した結果との関係について考察する。

関連論文リスト

Meta-Dynamical State Space Models for Integrative Neural Data Analysis [8.625491800829224]
環境間の共有構造を学習することは、ニューラルネットワークの迅速な学習と適応的な振る舞いを促進する。ニューラル記録から潜伏ダイナミクスを学習するのと同様の作業中に、ニューラルアクティビティの共有構造を利用する作業は限られている。本稿では,訓練動物のタスク関連神経活動から,この解空間をメタラーニングするための新しいアプローチを提案する。
論文参考訳（メタデータ） (2024-10-07T19:35:49Z)
Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
論文参考訳（メタデータ） (2024-09-17T04:48:45Z)
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)
A Waddington landscape for prototype learning in generalized Hopfield networks [0.0]
一般化ホップフィールドネットワークの学習力学について検討する。細胞が分化するにつれて、運河や低次元のダイナミックスと強い類似性が観察される。
論文参考訳（メタデータ） (2023-12-04T21:28:14Z)
Mechanism of feature learning in deep fully connected networks and kernel machines that recursively learn features [15.29093374895364]
我々は,ニューラルネットワークが勾配特徴を学習するメカニズムを同定し,特徴付ける。私たちのアンザッツは、突発的な特徴の出現や単純さのバイアスなど、さまざまな深層学習現象に光を当てています。この特徴学習機構の有効性を実証するため,古典的非機能学習モデルにおいて特徴学習を可能にする。
論文参考訳（メタデータ） (2022-12-28T15:50:58Z)
Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文参考訳（メタデータ） (2022-06-07T13:51:35Z)
Decomposed Linear Dynamical Systems (dLDS) for learning the latent components of neural dynamics [6.829711787905569]
本稿では,時系列データの非定常および非線形の複雑なダイナミクスを表現した新しい分解力学系モデルを提案する。我々のモデルは辞書学習によって訓練され、最近の結果を利用してスパースベクトルを時間とともに追跡する。連続時間と離散時間の両方の指導例において、我々のモデルは元のシステムによく近似できることを示した。
論文参考訳（メタデータ） (2022-06-07T02:25:38Z)
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)
Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文参考訳（メタデータ） (2022-02-01T17:11:13Z)
Deep learning of contagion dynamics on complex networks [0.0]
本稿では,ネットワーク上での感染動態の効果的なモデルを構築するために,ディープラーニングに基づく補完的アプローチを提案する。任意のネットワーク構造をシミュレーションすることで,学習したダイナミックスの性質を学習データを超えて探索することが可能になる。この結果は,ネットワーク上での感染動態の効果的なモデルを構築するために,ディープラーニングが新たな補完的な視点を提供することを示す。
論文参考訳（メタデータ） (2020-06-09T17:18:34Z)
Learning Stable Deep Dynamics Models [91.90131512825504]
状態空間全体にわたって安定することが保証される力学系を学習するためのアプローチを提案する。このような学習システムは、単純な力学系をモデル化することができ、複雑な力学を学習するために追加の深層生成モデルと組み合わせることができることを示す。
論文参考訳（メタデータ） (2020-01-17T00:04:45Z)

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。