Fugu-MT 論文翻訳(概要): Deep Dynamic Probabilistic Canonical Correlation Analysis

論文の概要: Deep Dynamic Probabilistic Canonical Correlation Analysis

arxiv url: http://arxiv.org/abs/2502.05155v1
Date: Fri, 07 Feb 2025 18:37:57 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-10 14:58:16.202945
Title: Deep Dynamic Probabilistic Canonical Correlation Analysis
Title（参考訳）: 深い動的確率的正準相関解析
Authors: Shiqin Tang, Shujian Yu, Yining Dong, S. Joe Qin,
Abstract要約: Deep Dynamic Probabilistic Canonical correlation Analysis (D2PCCA)は、ディープラーニングと確率的モデリングを統合し、非線形力学系を解析するモデルである。正準相関解析(CCA)の確率的拡張に基づいて、D2PCCAは非線形潜在力学をキャプチャする。 D2PCCAは自然に複数の観測変数に拡張され、シーケンシャルデータセットに関する事前知識を符号化するための汎用ツールとなる。
参考スコア（独自算出の注目度）: 16.82419839795058
License:
Abstract: This paper presents Deep Dynamic Probabilistic Canonical Correlation Analysis (D2PCCA), a model that integrates deep learning with probabilistic modeling to analyze nonlinear dynamical systems. Building on the probabilistic extensions of Canonical Correlation Analysis (CCA), D2PCCA captures nonlinear latent dynamics and supports enhancements such as KL annealing for improved convergence and normalizing flows for a more flexible posterior approximation. D2PCCA naturally extends to multiple observed variables, making it a versatile tool for encoding prior knowledge about sequential datasets and providing a probabilistic understanding of the system's dynamics. Experimental validation on real financial datasets demonstrates the effectiveness of D2PCCA and its extensions in capturing latent dynamics.
Abstract（参考訳）: 本稿では,D2PCCA(Deep Dynamic Probabilistic Canonical correlation Analysis)を提案する。正準相関解析(CCA)の確率的拡張に基づいて、D2PCCAは非線形潜在力学を捉え、KLアニーリングのような拡張をサポートし、収束性を改善し、より柔軟な後部近似のためにフローを正規化する。 D2PCCAは自然に複数の観測変数に拡張され、シーケンシャルデータセットに関する事前知識を符号化し、システムのダイナミクスを確率論的に理解するための汎用ツールとなる。実ファイナンシャルデータセットに対する実験的検証は、潜在ダイナミクスのキャプチャにおけるD2PCCAとその拡張の有効性を示す。

関連論文リスト

Probabilistic Decomposed Linear Dynamical Systems for Robust Discovery of Latent Neural Dynamics [5.841659874892801]
時間変化線形状態空間モデルは、ニューラルネットワークの数学的解釈可能な表現を得るための強力なツールである。潜在変数推定のための既存の手法は、動的ノイズやシステムの非線形性に対して堅牢ではない。本稿では,動的雑音に対するロバスト性を改善するために,分解モデルにおける潜在変数推定に対する確率的アプローチを提案する。
論文参考訳（メタデータ） (2024-08-29T18:58:39Z)
Modeling Latent Neural Dynamics with Gaussian Process Switching Linear Dynamical Systems [2.170477444239546]
ガウス過程スイッチング線形力学系(gpSLDS)の2つの目的をバランスさせるアプローチを開発する。我々の手法は、非線形力学をガウス過程(GP-SDE)で記述した微分方程式による潜在状態の進化をモデル化した以前の研究に基づいている。本手法は, 離散状態境界近傍の力学における人工振動など, rSLDS の重要な限界を解消するとともに, 力学の後方不確かさを推定する。
論文参考訳（メタデータ） (2024-07-19T15:32:15Z)
Physically Analyzable AI-Based Nonlinear Platoon Dynamics Modeling During Traffic Oscillation: A Koopman Approach [4.379212829795889]
物理的アナライザビリティを同時に達成しつつ、高精度なモデリング手法が不可欠である。本稿では,AIのパワーを利用した未知の非線形プラトン力学をモデル化するためのAIベースのクープマン手法を提案する。
論文参考訳（メタデータ） (2024-06-20T19:35:21Z)
eXponential FAmily Dynamical Systems (XFADS): Large-scale nonlinear Gaussian state-space modeling [9.52474299688276]
非線形状態空間グラフィカルモデルのための低ランク構造化変分オートエンコーダフレームワークを提案する。我々のアプローチは、より予測的な生成モデルを学ぶ能力を一貫して示している。
論文参考訳（メタデータ） (2024-03-03T02:19:49Z)
Data-Driven Characterization of Latent Dynamics on Quantum Testbeds [0.23408308015481663]
我々は、パラメータ化された元項でリンドブラッドマスター方程式によって記述された量子系の力学方程式を拡大する。本稿では,線形演算子に基づいてパラメータ化された発散潜在力学からユニタリを学習し,区別する拡張を保存する構造について考察する。我々は、我々の解釈、構造保存、非線形モデルがリンドブラッドマスター方程式の予測精度を向上させることを実証した。
論文参考訳（メタデータ） (2024-01-18T09:28:44Z)
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)
Latent Variable Representation for Reinforcement Learning [131.03944557979725]
モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-12-17T00:26:31Z)
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)
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)
Convex Analysis of the Mean Field Langevin Dynamics [49.66486092259375]
平均場ランゲヴィン力学の収束速度解析について述べる。ダイナミックスに付随する$p_q$により、凸最適化において古典的な結果と平行な収束理論を開発できる。
論文参考訳（メタデータ） (2022-01-25T17:13:56Z)
Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。分散による離散乗法雑音のパラメータによく現れることを示す。最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文参考訳（メタデータ） (2020-06-11T09:58:01Z)

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。