論文の概要: Solving Inverse Problems in Stochastic Self-Organising Systems through Invariant Representations

• arxiv url: http://arxiv.org/abs/2506.11796v1
• Date: Fri, 13 Jun 2025 14:01:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.819847
• Title: Solving Inverse Problems in Stochastic Self-Organising Systems through Invariant Representations
• Title（参考訳）: 確率的自己組織化システムにおける不変表現による逆問題の解法
• Authors: Elias Najarro, Nicolas Bessone, Sebastian Risi,
• Abstract要約: 自己組織化システムは、いかに単純なローカルルールが複雑なパターンを生成するかを示す。 多くの自然系はそのような力学に依存しており、自己組織は自然の複雑さを理解する中心となる。 このようなシステムのモデル化における根本的な課題は、マクロ的な観察から未知の因果パラメータを見つけるという逆問題の解決である。
• 参考スコア（独自算出の注目度）: 12.394699094197545
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-organising systems demonstrate how simple local rules can generate complex stochastic patterns. Many natural systems rely on such dynamics, making self-organisation central to understanding natural complexity. A fundamental challenge in modelling such systems is solving the inverse problem: finding the unknown causal parameters from macroscopic observations. This task becomes particularly difficult when observations have a strong stochastic component, yielding diverse yet equivalent patterns. Traditional inverse methods fail in this setting, as pixel-wise metrics cannot capture feature similarities between variable outcomes. In this work, we introduce a novel inverse modelling method specifically designed to handle stochasticity in the observable space, leveraging the capacity of visual embeddings to produce robust representations that capture perceptual invariances. By mapping the pattern representations onto an invariant embedding space, we can effectively recover unknown causal parameters without the need for handcrafted objective functions or heuristics. We evaluate the method on two canonical models--a reaction-diffusion system and an agent-based model of social segregation--and show that it reliably recovers parameters despite stochasticity in the outcomes. We further apply the method to real biological patterns, highlighting its potential as a tool for both theorists and experimentalists to investigate the dynamics underlying complex stochastic pattern formation.
• Abstract（参考訳）: 自己組織化システムは、単純な局所ルールが複雑な確率的パターンをいかに生み出すかを示す。 多くの自然系はそのような力学に依存しており、自己組織は自然の複雑さを理解する中心となる。 このようなシステムのモデル化における根本的な課題は、マクロ的な観察から未知の因果パラメータを見つけるという逆問題の解決である。 この課題は、観測が強い確率成分を持ち、多様だが等価なパターンをもたらす場合、特に困難になる。 従来の逆メソッドはこの設定で失敗するが、ピクセル単位のメトリクスは可変結果間の特徴的類似性を捉えることができない。 本研究では,可観測空間における確率性を扱うために設計された新しい逆モデリング手法を提案する。 パターン表現を不変な埋め込み空間にマッピングすることにより、手作りの目的関数やヒューリスティックスを必要とせずに、未知の因果パラメータを効果的に復元することができる。 本手法は,反応拡散系とエージェントによる社会的分離モデルという2つの標準モデル上で評価し,結果の確率性に拘わらずパラメータを確実に回復することを示す。 さらに本手法を実際の生物学的パターンに適用し,理論家と実験家の両方が複雑な確率的パターン形成の基礎となる力学を解明するためのツールとしての可能性を強調した。

関連論文リスト

• Efficient Deconvolution in Populational Inverse Problems [6.1048542188987085]
  この研究は、関心のパラメータよりも分布を推定し、複数の観測セットにつながる逆タスクに焦点を当てている。 このような分散反転問題を解決する可能性はデータの可用性の向上によってもたらされるが、大きな障害はブラインド・デコンボリューションである。 本研究では,同じ物理過程の異なるインスタンス化から収集した大規模な観測データを活用する手法を提案する。
  論文  参考訳（メタデータ） (2025-05-26T11:25:46Z)
• Identifiable Representation and Model Learning for Latent Dynamic Systems [0.0]
  本稿では,潜在力学系における表現とモデル学習の問題について検討する。 線形およびアフィン非線形潜時力学系にスパース入力行列を持つ場合、潜時変数をスケーリングまで同定できることを証明した。
  論文  参考訳（メタデータ） (2024-10-23T13:55:42Z)
• Neural Persistence Dynamics [8.197801260302642]
  時間発展する点雲のトポロジにおける力学を学習する問題を考察する。 提案したモデル - $textitNeural Persistence Dynamics$ - は、パラメータ回帰タスクの多種多様なセットで最先端のパフォーマンスを大幅に上回る。
  論文  参考訳（メタデータ） (2024-05-24T17:20:18Z)
• Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
  プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。 我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
  論文  参考訳（メタデータ） (2023-07-21T14:25:06Z)
• A Causality-Based Learning Approach for Discovering the Underlying Dynamics of Complex Systems from Partial Observations with Stochastic Parameterization [1.2882319878552302]
  本稿では,部分的な観測を伴う複雑な乱流系の反復学習アルゴリズムを提案する。 モデル構造を識別し、観測されていない変数を復元し、パラメータを推定する。 数値実験により、新しいアルゴリズムはモデル構造を同定し、多くの複雑な非線形系に対して適切なパラメータ化を提供することに成功した。
  論文  参考訳（メタデータ） (2022-08-19T00:35:03Z)
• Decimation technique for open quantum systems: a case study with driven-dissipative bosonic chains [62.997667081978825]
  量子系の外部自由度への不可避結合は、散逸(非単体)ダイナミクスをもたらす。 本稿では,グリーン関数の(散逸的な)格子計算に基づいて,これらのシステムに対処する手法を提案する。 本手法のパワーを,複雑性を増大させる駆動散逸型ボゾン鎖のいくつかの例で説明する。
  論文  参考訳（メタデータ） (2022-02-15T19:00:09Z)
• Structure-Preserving Learning Using Gaussian Processes and Variational Integrators [62.31425348954686]
  本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。 我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
  論文  参考訳（メタデータ） (2021-12-10T11:09:29Z)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• Why Adversarial Interaction Creates Non-Homogeneous Patterns: A Pseudo-Reaction-Diffusion Model for Turing Instability [10.933825676518195]
  交叉相互作用を持つニューロン系のチューリング様パターンを観察する。 本稿では,これらの現象を過小評価するメカニズムを説明するための擬似反応拡散モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-01T16:09:22Z)

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。