論文の概要: Inferring Parameter Distributions in Heterogeneous Motile Particle Ensembles: A Likelihood Approach for Second Order Langevin Models

• arxiv url: http://arxiv.org/abs/2411.08692v1
• Date: Wed, 13 Nov 2024 15:27:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-14 16:10:32.324284
• Title: Inferring Parameter Distributions in Heterogeneous Motile Particle Ensembles: A Likelihood Approach for Second Order Langevin Models
• Title（参考訳）: 不均一な運動粒子集合におけるパラメータ分布の推算:二階ランゲヴィンモデルに対する近似的アプローチ
• Authors: Jan Albrecht, Manfred Opper, Robert Großmann,
• Abstract要約: 実験によって得られた時間離散軌道データから,動作パターンを理解し,予測するために推論手法が必要である。 非線形二階ランゲヴィンモデルの確率を近似する新しい手法を提案する。 これにより、アクティブに駆動されたエンティティのための動的モデルの体系的、データ駆動推論の道を開いた。
• 参考スコア（独自算出の注目度）: 0.8274836883472768
• License:
• Abstract: The inherent complexity of biological agents often leads to motility behavior that appears to have random components. Robust stochastic inference methods are therefore required to understand and predict the motion patterns from time discrete trajectory data provided by experiments. In many cases second order Langevin models are needed to adequately capture the motility. Additionally, population heterogeneity needs to be taken into account when analyzing data from several individual organisms. In this work, we describe a maximum likelihood approach to infer dynamical, stochastic models and, simultaneously, estimate the heterogeneity in a population of motile active particles from discretely sampled, stochastic trajectories. To this end we propose a new method to approximate the likelihood for non-linear second order Langevin models. We show that this maximum likelihood ansatz outperforms alternative approaches especially for short trajectories. Additionally, we demonstrate how a measure of uncertainty for the heterogeneity estimate can be derived. We thereby pave the way for the systematic, data-driven inference of dynamical models for actively driven entities based on trajectory data, deciphering temporal fluctuations and inter-particle variability.
• Abstract（参考訳）: 生物学的エージェントの固有の複雑さは、しばしばランダムな成分を持つように見える運動性行動を引き起こす。 したがって、ロバスト確率的推論法は、実験によって提供される時間離散軌道データから運動パターンを理解し、予測するために必要である。 多くの場合、2階ランゲヴィンモデルは運動性を適切に捉えるために必要とされる。 さらに、集団の不均一性は、いくつかの個々の生物のデータを分析する際に考慮する必要がある。 本研究では,動力学的,確率的モデルを推定し,また個別にサンプリングされた確率的軌道から運動活性粒子の集団における不均一性を推定する最大限のアプローチについて述べる。 この目的を達成するために、非線形二階ランゲヴィンモデルの確率を近似する新しい手法を提案する。 この最大可能性アンザッツは、特に短軌跡に対する代替手法よりも優れていることを示す。 さらに、不均一性推定の不確実性の尺度を導出する方法を示す。 そこで我々は, 軌道データ, 時間変動の解読, 粒子間変動に基づく, 活発に駆動される物体に対する動的モデルの系統的・データ駆動推論手法を考案した。

関連論文リスト

• ProGen: Revisiting Probabilistic Spatial-Temporal Time Series Forecasting from a Continuous Generative Perspective Using Stochastic Differential Equations [18.64802090861607]
  ProGen Proは、不確実性を管理しながら依存関係を効果的にキャプチャする堅牢なソリューションを提供する。 4つのベンチマークトラフィックデータセットの実験により、ProGen Proは最先端の決定論的確率モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-02T14:37:30Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Equivariant Flow Matching with Hybrid Probability Transport [69.11915545210393]
  拡散モデル (DM) は, 特徴量の多いジオメトリの生成に有効であることを示した。 DMは通常、非効率なサンプリング速度を持つ不安定な確率力学に悩まされる。 等変モデリングと安定化確率力学の両方の利点を享受する幾何フローマッチングを導入する。
  論文  参考訳（メタデータ） (2023-12-12T11:13:13Z)
• 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)
• Stochastic Interpolants: A Unifying Framework for Flows and Diffusions [16.95541777254722]
  フローベースおよび拡散ベースを統一する生成モデルのクラスを紹介する。 これらのモデルは、Albergo & VandenEijnden (2023) で提案されたフレームワークを拡張し、確率補間子と呼ばれる広範囲の連続時間プロセスの使用を可能にする。 これらの補間材は、2つの所定の密度のデータと、橋を柔軟に形作る追加の潜伏変数を組み合わせることで構築される。
  論文  参考訳（メタデータ） (2023-03-15T17:43:42Z)
• Uncertainty-Aware Pedestrian Trajectory Prediction via Distributional Diffusion [26.715578412088327]
  モデルに依存しない不確実性を考慮した歩行者軌道予測手法を提案する。 従来の研究とは異なり、予測性は明示的な分布に変換され、予測可能な将来の軌道を生成することができる。 私たちのフレームワークは、さまざまなニューラルネットアーキテクチャと互換性があります。
  論文  参考訳（メタデータ） (2023-03-15T04:58:43Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Autoregressive Denoising Diffusion Models for Multivariate Probabilistic Time Series Forecasting [4.1573460459258245]
  拡散確率モデル(拡散確率モデル)は、スコアマッチングやエネルギーベースの手法と密接に結びついている潜在変数モデルのクラスである。 我々のモデルは、データ可能性の変動境界を最適化して勾配を学習し、推論時にホワイトノイズを関心の分布のサンプルに変換する。
  論文  参考訳（メタデータ） (2021-01-28T15:46:10Z)

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。