論文の概要: Adaptive parameters identification for nonlinear dynamics using deep permutation invariant networks

• arxiv url: http://arxiv.org/abs/2501.11350v1
• Date: Mon, 20 Jan 2025 09:18:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:21:29.432504
• Title: Adaptive parameters identification for nonlinear dynamics using deep permutation invariant networks
• Title（参考訳）: 深い置換不変ネットワークを用いた非線形ダイナミクスの適応パラメータ同定
• Authors: Mouad Elaarabi, Domenico Borzacchiello, Yves Le Guennec, Philippe Le Bot, Sebastien Comas-Cardona,
• Abstract要約: 本稿では,主にシーケンスデータのSet手法を用いて,革新的な符号化手法を提案する。 本研究では,入力時間列長を可変にして,優れた性能が得られることを示す。 また,1次元熱伝達問題に対する異常の同定とキャラクタリゼーションを行うために,Deep Setモデルを訓練する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The promising outcomes of dynamical system identification techniques, such as SINDy [Brunton et al. 2016], highlight their advantages in providing qualitative interpretability and extrapolation compared to non-interpretable deep neural networks [Rudin 2019]. These techniques suffer from parameter updating in real-time use cases, especially when the system parameters are likely to change during or between processes. Recently, the OASIS [Bhadriraju et al. 2020] framework introduced a data-driven technique to address the limitations of real-time dynamical system parameters updating, yielding interesting results. Nevertheless, we show in this work that superior performance can be achieved using more advanced model architectures. We present an innovative encoding approach, based mainly on the use of Set Encoding methods of sequence data, which give accurate adaptive model identification for complex dynamic systems, with variable input time series length. Two Set Encoding methods are used, the first is Deep Set [Zaheer et al. 2017], and the second is Set Transformer [Lee et al. 2019]. Comparing Set Transformer to OASIS framework on Lotka Volterra for real-time local dynamical system identification and time series forecasting, we find that the Set Transformer architecture is well adapted to learning relationships within data sets. We then compare the two Set Encoding methods based on the Lorenz system for online global dynamical system identification. Finally, we trained a Deep Set model to perform identification and characterization of abnormalities for 1D heat-transfer problem.
• Abstract（参考訳）: SINDy (Brunton et al 2016)のような動的システム識別技術の有望な成果は、非解釈可能なディープニューラルネットワーク(Rudin 2019)と比較して、定性的な解釈可能性と外挿を提供することの利点を強調している。 これらのテクニックは、特にプロセス中またはプロセス間でシステムパラメータが変化しそうな場合に、リアルタイムユースケースにおけるパラメータ更新に悩まされます。 最近、OASIS [Bhadriraju et al 2020]フレームワークは、リアルタイム動的システムパラメータの更新制限に対処するデータ駆動技術を導入し、興味深い結果を得た。 しかしながら,本研究では,より高度なモデルアーキテクチャを用いて,優れた性能を実現することができることを示す。 本稿では, 複雑な動的システムに対して, 可変入力時系列長で正確な適応モデル同定を行う, シーケンスデータのセットエンコーディング法を主目的とする, 革新的な符号化手法を提案する。 2つのセットエンコーディング手法が使用され、1つはDeep Set [Zaheer et al 2017]、もう1つはSet Transformer [Lee et al 2019]である。 Lotka VolterraのSet TransformerをOASISフレームワークと比較すると,Set Transformerアーキテクチャはデータセット内の学習関係によく適応していることがわかった。 次に、オンライングローバルな動的システム識別のためのLorenzシステムに基づく2つのセットエンコーディング手法を比較した。 最後に,1次元熱伝達問題に対する異常の同定と特徴付けを行うために,Deep Setモデルを訓練した。

関連論文リスト

• Towards Hyperparameter-Agnostic DNN Training via Dynamical System Insights [4.513581513983453]
  本稿では,ディープニューラルネットワーク(DNN),ECCO-DNNに特化した一階最適化手法を提案する。 本手法は, 最適変数軌道を動的システムとしてモデル化し, 軌道形状に基づいてステップサイズを適応的に選択する離散化アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2023-10-21T03:45:13Z)
• Learning Nonautonomous Systems via Dynamic Mode Decomposition [0.0]
  動的モード分解(DMD)に基づく時間依存入力を持つ未知の非線形力学系に対するデータ駆動学習手法を提案する。 時間依存クープマン演算子を非正則系に近似することの難しさを回避するため、修正されたシステムは元の非正則系の近似として用いられる。
  論文  参考訳（メタデータ） (2023-06-27T16:58:26Z)
• A Hybrid Framework for Sequential Data Prediction with End-to-End Optimization [0.0]
  オンライン環境での非線形予測について検討し,手作業による特徴や手作業によるモデル選択の問題を効果的に緩和するハイブリッドモデルを提案する。 逐次データからの適応的特徴抽出にはLSTM(Recurrent Neural Network)、効果的な教師付き回帰には勾配強化機構(soft GBDT)を用いる。 本稿では, 合成データに対するアルゴリズムの学習挙動と, 各種実生活データセットに対する従来の手法による性能改善について述べる。
  論文  参考訳（メタデータ） (2022-03-25T17:13:08Z)
• Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
  カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。 本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
  論文  参考訳（メタデータ） (2022-03-23T12:52:49Z)
• On the adaptation of recurrent neural networks for system identification [2.5234156040689237]
  本稿では,動的システムのリカレントニューラルネットワーク(RNN)モデルの高速かつ効率的な適応を可能にするトランスファー学習手法を提案する。 その後、システムダイナミクスが変化すると仮定され、摂動系における名目モデルの性能が不可避的に低下する。 ミスマッチに対処するため、新しい動的状態からの新鮮なデータに基づいてトレーニングされた付加的補正項でモデルを拡張する。
  論文  参考訳（メタデータ） (2022-01-21T12:04:17Z)
• Dynamical System Parameter Identification using Deep Recurrent Cell Networks [0.0]
  本研究では,動的システムにおけるパラメータ同定問題について,ディープラーニング手法を用いて検討する。 異なるリカレントセルを持つ6層ディープニューラルネットワークを利用することで、有効なディープリカレントアーキテクチャを探索する。 文献ではこれまでこの課題に利用されなかったが,BiLSTM( bidirectional gated recurrent cells)により,パラメータ同定の精度が向上した。
  論文  参考訳（メタデータ） (2021-07-06T07:04:36Z)
• A novel Deep Neural Network architecture for non-linear system identification [78.69776924618505]
  非線形システム識別のための新しいDeep Neural Network (DNN)アーキテクチャを提案する。 メモリシステムにインスパイアされたインダクティブバイアス(アーキテクチャ)と正規化(損失関数)を導入する。 このアーキテクチャは、利用可能なデータのみに基づいて、自動的な複雑性の選択を可能にする。
  論文  参考訳（メタデータ） (2021-06-06T10:06:07Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Recent Developments Combining Ensemble Smoother and Deep Generative Networks for Facies History Matching [58.720142291102135]
  本研究は、ファシズムモデルのための連続パラメータ化を構築するためのオートエンコーダネットワークの利用に焦点を当てる。 本稿では,VAE,GAN,Wasserstein GAN,変分自動符号化GAN,サイクルGANの主成分分析(PCA),転送スタイルネットワークのPCA,スタイル損失のVAEの7種類の定式化をベンチマークする。
  論文  参考訳（メタデータ） (2020-05-08T21:32:42Z)
• Logarithmic Regret Bound in Partially Observable Linear Dynamical Systems [91.43582419264763]
  部分的に観測可能な線形力学系におけるシステム同定と適応制御の問題について検討する。 開ループ系と閉ループ系の両方において有限時間保証付きの最初のモデル推定法を提案する。 AdaptOnは、未知の部分観測可能な線形力学系の適応制御において、$textpolylogleft(Tright)$ regretを達成する最初のアルゴリズムであることを示す。
  論文  参考訳（メタデータ） (2020-03-25T06:00:33Z)
• Variational Hyper RNN for Sequence Modeling [69.0659591456772]
  本稿では,時系列データにおける高変数の取得に優れる新しい確率的シーケンスモデルを提案する。 提案手法では,時間潜時変数を用いて基礎となるデータパターンに関する情報をキャプチャする。 提案手法の有効性を,合成および実世界のシーケンシャルデータに示す。
  論文  参考訳（メタデータ） (2020-02-24T19:30:32Z)

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。