Fugu-MT 論文翻訳(概要): Machine learning identifies nullclines in oscillatory dynamical systems

論文の概要: Machine learning identifies nullclines in oscillatory dynamical systems

arxiv url: http://arxiv.org/abs/2503.16240v1
Date: Thu, 20 Mar 2025 15:37:39 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-21 22:26:42.016367
Title: Machine learning identifies nullclines in oscillatory dynamical systems
Title（参考訳）: 機械学習は振動力学系におけるヌルクラインを識別する
Authors: Bartosz Prokop, Jimmy Billen, Nikita Frolov, Lendert Gelens,
Abstract要約: 我々は,時系列データからヌルクラインの隠れ構造を明らかにするニューラルネットワークに基づくCLINEを紹介する。複数の時間スケールや強い非線形性といった課題を克服し、解釈可能な結果をシンボリック微分方程式に変換する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: We introduce CLINE (Computational Learning and Identification of Nullclines), a neural network-based method that uncovers the hidden structure of nullclines from oscillatory time series data. Unlike traditional approaches aiming at direct prediction of system dynamics, CLINE identifies static geometric features of the phase space that encode the (non)linear relationships between state variables. It overcomes challenges such as multiple time scales and strong nonlinearities while producing interpretable results convertible into symbolic differential equations. We validate CLINE on various oscillatory systems, showcasing its effectiveness.
Abstract（参考訳）: CLINE(Computational Learning and Identification of Nullclines)は,振動時系列データからヌルクラインの隠れ構造を明らかにするニューラルネットワークに基づく手法である。システムダイナミクスの直接予測を目的とした従来のアプローチとは異なり、CLINEは状態変数間の(非)線形関係を符号化する位相空間の静的幾何学的特徴を識別する。複数の時間スケールや強い非線形性といった課題を克服し、解釈可能な結果をシンボリック微分方程式に変換する。各種振動系上でのCLINEの有効性を検証し,その有効性を示す。

関連論文リスト

Identification For Control Based on Neural Networks: Approximately Linearizable Models [42.15267357325546]
本研究では,非線形システムの効率的な制御設計と安定性解析のための制御指向同定手法を提案する。ニューラルネットワークは離散時間非線形状態空間モデルを特定し、時間領域の入力出力挙動を近似する。ネットワークは、同定されたモデルがフィードバックによってほぼ線形化可能であるように構成され、制御則が学習段階から自明に従うことを保証する。
論文参考訳（メタデータ） (2024-09-24T08:31:22Z)
Machine learning approach to detect dynamical states from recurrence measures [0.0]
本研究では,この研究のために,ロジスティック回帰,ランダムフォレスト,サポートベクトルマシンの3つの機械学習アルゴリズムを実装した。トレーニングとテストのために、標準的な非線形力学系から合成データを生成する。トレーニングされたアルゴリズムは、2つの変光星 SX Her と AC Her の動的状態の予測に成功している。
論文参考訳（メタデータ） (2024-01-18T05:02:36Z)
Learning Linearized Models from Nonlinear Systems with Finite Data [1.6026317505839445]
真の基礎となる力学が非線形であるとき、線形化モデルを同定する問題を考察する。複数のトラジェクトリに基づく決定論的データ取得アルゴリズムを提供し、次に正規化最小二乗アルゴリズムを提案する。我々の誤差境界は、非線形性による誤差とノイズによる誤差とのトレードオフを示し、任意に小さな誤差で線形化された力学を学習できることを示す。
論文参考訳（メタデータ） (2023-09-15T22:58:03Z)
Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文参考訳（メタデータ） (2023-06-14T11:41:42Z)
Learning Control-Oriented Dynamical Structure from Data [25.316358215670274]
一般非線形制御アフィン系に対する状態依存非線形トラッキングコントローラの定式化について論じる。安定軌跡追跡における学習版の有効性を実証的に実証した。
論文参考訳（メタデータ） (2023-02-06T02:01:38Z)
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)
A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-01-29T23:31:25Z)
Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文参考訳（メタデータ） (2021-09-06T04:39:06Z)
Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文参考訳（メタデータ） (2020-06-18T04:54:11Z)
Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。