論文の概要: Learning of Population Dynamics: Inverse Optimization Meets JKO Scheme

• arxiv url: http://arxiv.org/abs/2506.01502v1
• Date: Mon, 02 Jun 2025 10:08:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:34.187045
• Title: Learning of Population Dynamics: Inverse Optimization Meets JKO Scheme
• Title（参考訳）: 人口動態の学習:逆最適化とJKOスキーム
• Authors: Mikhail Persiianov, Jiawei Chen, Petr Mokrov, Alexander Tyurin, Evgeny Burnaev, Alexander Korotin,
• Abstract要約: 個体群動態の学習は、粒子の進化を管理する基礎過程の回復を伴う。 近年の手法では、これを確率空間におけるエネルギー問題とみなし、有名なJKOスキームを効率的な時間離散化に活用している。
• 参考スコア（独自算出の注目度）: 98.04239223945508
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning population dynamics involves recovering the underlying process that governs particle evolution, given evolutionary snapshots of samples at discrete time points. Recent methods frame this as an energy minimization problem in probability space and leverage the celebrated JKO scheme for efficient time discretization. In this work, we introduce $\texttt{iJKOnet}$, an approach that combines the JKO framework with inverse optimization techniques to learn population dynamics. Our method relies on a conventional $\textit{end-to-end}$ adversarial training procedure and does not require restrictive architectural choices, e.g., input-convex neural networks. We establish theoretical guarantees for our methodology and demonstrate improved performance over prior JKO-based methods.
• Abstract（参考訳）: 個体群動態の学習は、個別の時間点におけるサンプルの進化スナップショットが与えられたとき、粒子の進化を管理する基礎過程の回復を伴う。 近年の手法では、これを確率空間におけるエネルギー最小化問題とみなし、有名なJKOスキームを効率的な時間離散化に活用している。 本稿では、JKOフレームワークと逆最適化技術を組み合わせて人口動態を学習するアプローチである$\textt{iJKOnet}$を紹介する。 提案手法は従来の $\textit{end-to-end}$ 対数学習法に依存しており,入力凸ニューラルネットワークなどの限定的なアーキテクチャ選択を必要としない。 提案手法の理論的保証を確立し,従来のJKO法よりも優れた性能を示す。

関連論文リスト

• An Augmented Backward-Corrected Projector Splitting Integrator for Dynamical Low-Rank Training [47.69709732622765]
  必要なQR分解数を削減できる新しい低ランクトレーニング手法を提案する。 提案手法は,プロジェクタ分割方式に拡張ステップを組み込むことにより,局所最適解への収束を確保する。
  論文  参考訳（メタデータ） (2025-02-05T09:03:50Z)
• Deep Reinforcement Learning for Online Optimal Execution Strategies [49.1574468325115]
  本稿では,動的な金融市場における非マルコフ的最適実行戦略の学習に挑戦する。 我々は,Deep Deterministic Policy Gradient(DDPG)に基づく新しいアクター批判アルゴリズムを提案する。 提案アルゴリズムは最適実行戦略の近似に成功していることを示す。
  論文  参考訳（メタデータ） (2024-10-17T12:38:08Z)
• Learning diffusion at lightspeed [4.154846138501937]
  観測データから拡散項を学習する既存のモデルは、複雑な二段階最適化問題に依存する。 既存のアーキテクチャの複雑さを回避できる新しいシンプルなモデル JKOnet* を提案する。 JKOnet*は単純な二次的損失を最小限に抑え、サンプル効率、計算複雑性、精度で他のベースラインを上回っている。
  論文  参考訳（メタデータ） (2024-06-18T13:44:07Z)
• Stochastic Unrolled Federated Learning [85.6993263983062]
  本稿では,UnRolled Federated Learning (SURF)を導入する。 提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
  論文  参考訳（メタデータ） (2023-05-24T17:26:22Z)
• Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
  本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。 我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。 提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-10-12T09:12:59Z)
• Distributed Evolution Strategies for Black-box Stochastic Optimization [42.90600124972943]
  この研究は、分散ブラックボックス最適化への進化的アプローチに関するものである。 各作業者は、アルゴリズムによる問題の近似を個別に解くことができる。 問題のロバスト性を大幅に改善する2つの代替シミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2022-04-09T11:18:41Z)
• Reinforcement Learning with Fast Stabilization in Linear Dynamical Systems [91.43582419264763]
  未知の安定化線形力学系におけるモデルベース強化学習(RL)について検討する。 本研究では,環境を効果的に探索することで,基盤システムの高速安定化を証明できるアルゴリズムを提案する。 提案アルゴリズムはエージェント環境相互作用の時間ステップで$tildemathcalO(sqrtT)$ regretを達成した。
  論文  参考訳（メタデータ） (2020-07-23T23:06:40Z)

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。