論文の概要: Learning Beyond Experience: Generalizing to Unseen State Space with Reservoir Computing
- arxiv url: http://arxiv.org/abs/2506.05292v1
- Date: Thu, 05 Jun 2025 17:46:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-06 21:53:49.865995
- Title: Learning Beyond Experience: Generalizing to Unseen State Space with Reservoir Computing
- Title（参考訳）: 経験を越えて学ぶ - 貯留層コンピューティングによる状態空間の一般化
- Authors: Declan A. Norton, Yuanzhao Zhang, Michelle Girvan,
- Abstract要約: 貯留層計算は、明示的な構造的前提なしに、探索されていない状態空間の領域に一般化することができる。
一つのアトラクションの流域から軌道で訓練されたRCは、領域外一般化を実現することができることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning techniques offer an effective approach to modeling dynamical systems solely from observed data. However, without explicit structural priors -- built-in assumptions about the underlying dynamics -- these techniques typically struggle to generalize to aspects of the dynamics that are poorly represented in the training data. Here, we demonstrate that reservoir computing -- a simple, efficient, and versatile machine learning framework often used for data-driven modeling of dynamical systems -- can generalize to unexplored regions of state space without explicit structural priors. First, we describe a multiple-trajectory training scheme for reservoir computers that supports training across a collection of disjoint time series, enabling effective use of available training data. Then, applying this training scheme to multistable dynamical systems, we show that RCs trained on trajectories from a single basin of attraction can achieve out-of-domain generalization by capturing system behavior in entirely unobserved basins.
- Abstract（参考訳）: 機械学習技術は、観測データのみから動的システムをモデリングするための効果的なアプローチを提供する。
しかしながら、構造的前提 -- 基礎となるダイナミクスに関するビルトインの前提 -- がなければ、これらのテクニックは、トレーニングデータに不足しているダイナミクスの側面を一般化するのに苦労する。ここでは、リザーブコンピューティング(動的システムのデータ駆動モデリングにしばしば使用される、シンプルで効率的で汎用的な機械学習フレームワーク)が、明示的な構造的前提なしに、探索されていない状態空間の領域に一般化できることを実証する。
まず,異なる時系列の集合をまたいだトレーニングをサポートし,利用可能なトレーニングデータの有効活用を可能にする貯水池コンピュータのための多軌道学習手法について述べる。
そして、このトレーニングスキームをマルチスタブル力学系に適用することにより、単一のアトラクションの流域からの軌道で訓練されたRCが、完全に観測されていない盆地におけるシステムの挙動を捉えることにより、領域外一般化を実現することができることを示す。
関連論文リスト
- LeARN: Learnable and Adaptive Representations for Nonlinear Dynamics in System Identification [0.0]
非線形システム識別フレームワークLeARNを導入する。
基礎関数のライブラリをデータから直接学習することで、事前のドメイン知識の必要性を超越します。
我々はNeural Flyデータセットのフレームワークを検証し、その堅牢な適応と能力を示す。
論文 参考訳（メタデータ） (2024-12-16T18:03:23Z) - Learning System Dynamics without Forgetting [60.08612207170659]
本研究では,CDL(Continuous Dynamics Learning)の問題,タスク構成の検証,既存手法の適用性について検討する。
本稿では、LG-ODEとサブネットワーク学習の長所をモデムスイッチングモジュールと統合したモードスイッチンググラフODE(MS-GODE)モデルを提案する。
CDLのための生体動態システムの新しいベンチマーク、Bio-CDLを構築し、異なるダイナミクスを持つ多様なシステムを特徴付ける。
論文 参考訳（メタデータ） (2024-06-30T14:55:18Z) - Controlling dynamical systems to complex target states using machine
learning: next-generation vs. classical reservoir computing [68.8204255655161]
機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。
まず, 従来の貯水池計算が優れていることを示す。
次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。
その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
論文 参考訳（メタデータ） (2023-07-14T07:05:17Z) - Leveraging Neural Koopman Operators to Learn Continuous Representations
of Dynamical Systems from Scarce Data [0.0]
我々は、本質的に連続的な方法でダイナミクスを表現する新しいディープ・クープマン・フレームワークを提案する。
このフレームワークは、限られたトレーニングデータのパフォーマンスを向上させる。
論文 参考訳（メタデータ） (2023-03-13T10:16:19Z) - Physics-Informed Kernel Embeddings: Integrating Prior System Knowledge
with Data-Driven Control [22.549914935697366]
カーネル埋め込みを用いたデータ駆動制御アルゴリズムに事前知識を組み込む手法を提案する。
提案手法は,カーネル学習問題におけるバイアス項として,システムダイナミクスの事前知識を取り入れたものである。
純粋にデータ駆動ベースライン上でのサンプル効率の向上と,我々のアプローチのアウト・オブ・サンプル一般化を実証する。
論文 参考訳（メタデータ） (2023-01-09T18:35:32Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Knowledge-Based Learning of Nonlinear Dynamics and Chaos [3.673994921516517]
本稿では,非線形システムから観測結果に基づいて予測モデルを抽出するための普遍的な学習フレームワークを提案する。
我々のフレームワークは、非線形システムを連続時間系として自然にモデル化するため、第一原理知識を容易に組み込むことができる。
論文 参考訳（メタデータ） (2020-10-07T13:50:13Z) - S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。
我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
論文 参考訳（メタデータ） (2020-07-13T17:44:30Z) - 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。
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。