Fugu-MT 論文翻訳(概要): Deep learning approach for predicting the replicator equation in evolutionary game theory

論文の概要: Deep learning approach for predicting the replicator equation in evolutionary game theory

arxiv url: http://arxiv.org/abs/2412.02222v1
Date: Tue, 03 Dec 2024 07:28:52 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-04 15:46:17.267243
Title: Deep learning approach for predicting the replicator equation in evolutionary game theory
Title（参考訳）: 進化ゲーム理論における複製子方程式の深層学習による予測
Authors: Advait Chandorkar,
Abstract要約: 本稿では,人口動態の正確な予測を可能にする物理インフォームド深層学習手法を提案する。私たちは、Fasel、Kaiser、Kutz、Brunton、Brunt 2016aが最初に導入したSINDyモデルを用いて、進化生物学、経済システム、社会力学の理解を著しく向上させる複製子方程式を得た。
参考スコア（独自算出の注目度）: 1.2233495442213964
License:
Abstract: This paper presents a physics-informed deep learning approach for predicting the replicator equation, allowing accurate forecasting of population dynamics. This methodological innovation allows us to derive governing differential or difference equations for systems that lack explicit mathematical models. We used the SINDy model first introduced by Fasel, Kaiser, Kutz, Brunton, and Brunt 2016a to get the replicator equation, which will significantly advance our understanding of evolutionary biology, economic systems, and social dynamics. By refining predictive models across multiple disciplines, including ecology, social structures, and moral behaviours, our work offers new insights into the complex interplay of variables shaping evolutionary outcomes in dynamic systems
Abstract（参考訳）: 本稿では,人口動態の正確な予測を可能にする物理インフォームド深層学習手法を提案する。この方法論的な革新により、明示的な数学的モデルを持たない系に対する微分方程式や差分方程式を導出することができる。私たちは、Fasel、Kaiser、Kutz、Brunton、Brunt 2016aが最初に導入したSINDyモデルを用いて、進化生物学、経済システム、社会力学の理解を著しく向上させる複製子方程式を得た。生態学、社会構造、道徳行動など、様々な分野にわたる予測モデルを改善することで、我々の研究は、動的システムにおける進化的な結果を形成する変数の複雑な相互作用に関する新たな洞察を提供する。

関連論文リスト

Generative Modeling of Neural Dynamics via Latent Stochastic Differential Equations [1.5467259918426441]
本稿では,生体神経系の計算モデル構築のためのフレームワークを提案する。我々は、微分ドリフトと拡散関数を持つ結合微分方程式系を用いる。これらのハイブリッドモデルは,刺激によって誘発される神経および行動応答の予測において,競争力を発揮することを示す。
論文参考訳（メタデータ） (2024-12-01T09:36:03Z)
Neural stochastic Volterra equations: learning path-dependent dynamics [0.0]
ボルテラ方程式(Volterra equation、SVE)は、記憶効果と不規則な振る舞いを持つランダムシステムの時間進化の数学的モデルとして機能する。ニューラルボルテラ方程式を物理に着想を得たアーキテクチャとして導入し、ニューラル微分方程式のクラスを一般化し、理論的基礎を提供する。混乱した振り子方程式、一般化されたオルンシュタイン-ウレンベック過程、粗いヘストンモデルなど、様々なSVEに関する数値実験を示す。
論文参考訳（メタデータ） (2024-07-28T18:44:49Z)
Graph Neural Ordinary Differential Equations for Coarse-Grained Socioeconomic Dynamics [0.0]
時空間社会経済力学をモデル化するためのデータ駆動型機械学習手法を提案する。我々の研究結果は、ボルチモアのケーススタディから、この機械学習で強化された粗い粒度モデルが強力な機器であることを示している。
論文参考訳（メタデータ） (2024-07-25T15:12:46Z)
Nested replicator dynamics, nested logit choice, and similarity-based learning [56.98352103321524]
我々は,分割型類似性構造を持つアクションセットを持つゲームにおいて,学習と進化のモデルを考える。このモデルでは、修正エージェントは現在の戦略と類似とみなす他の戦略を比較する確率が高い。同様の戦略に対するこの暗黙の偏見のため、結果として生じる力学は模倣ゲーム力学の標準的な単調性合理性のいずれかを満たすことができない。
論文参考訳（メタデータ） (2024-07-25T07:09:53Z)
Quantum Dynamics of Machine Learning [3.567107449359775]
機械学習の量子力学方程式(QDE)はシュリンガー方程式とポテンシャルエネルギー等価関係に基づいて得られる。本稿では,量子力学と熱力学の関係について述べる。
論文参考訳（メタデータ） (2024-07-07T16:30:46Z)
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)
A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
論文参考訳（メタデータ） (2023-10-14T23:28:48Z)
On Neural Differential Equations [13.503274710499971]
特に、ニューラル微分方程式(NDE)は、ニューラルネットワークと微分方程式が同じコインの両側であることを示す。 NDEは生成問題、動的システム、時系列を扱うのに適している。 NDEは高容量関数近似、モデル空間への強い先行性、不規則なデータを扱う能力、メモリ効率、そして両サイドで利用可能な豊富な理論を提供する。
論文参考訳（メタデータ） (2022-02-04T23:32:29Z)
Structure-Preserving Learning Using Gaussian Processes and Variational Integrators [62.31425348954686]
本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
論文参考訳（メタデータ） (2021-12-10T11:09:29Z)
Equivariant vector field network for many-body system modeling [65.22203086172019]
Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
論文参考訳（メタデータ） (2021-10-26T14:26:25Z)
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。