論文の概要: Characterizing control between interacting subsystems with deep Jacobian estimation

• arxiv url: http://arxiv.org/abs/2507.01946v1
• Date: Wed, 02 Jul 2025 17:55:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.43795
• Title: Characterizing control between interacting subsystems with deep Jacobian estimation
• Title（参考訳）: 深いジャコビアン推定を伴う相互作用サブシステム間の制御のキャラクタリゼーション
• Authors: Adam J. Eisen, Mitchell Ostrow, Sarthak Chandra, Leo Kozachkov, Earl K. Miller, Ila R. Fiete,
• Abstract要約: 本稿では,データ駆動型フレームワークの提案により,動的手法のヤコビアンによるサブシステム間相互作用を特徴付ける。 そこで,ヤコビアンノードは,既存のヤコビアン推定法よりも優れていることを示す。 我々の研究は、生物学的サブシステム間の相互作用の理論的基盤とデータ駆動的理解の基礎を築いた。
• 参考スコア（独自算出の注目度）: 2.82697733014759
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Biological function arises through the dynamical interactions of multiple subsystems, including those between brain areas, within gene regulatory networks, and more. A common approach to understanding these systems is to model the dynamics of each subsystem and characterize communication between them. An alternative approach is through the lens of control theory: how the subsystems control one another. This approach involves inferring the directionality, strength, and contextual modulation of control between subsystems. However, methods for understanding subsystem control are typically linear and cannot adequately describe the rich contextual effects enabled by nonlinear complex systems. To bridge this gap, we devise a data-driven nonlinear control-theoretic framework to characterize subsystem interactions via the Jacobian of the dynamics. We address the challenge of learning Jacobians from time-series data by proposing the JacobianODE, a deep learning method that leverages properties of the Jacobian to directly estimate it for arbitrary dynamical systems from data alone. We show that JacobianODEs outperform existing Jacobian estimation methods on challenging systems, including high-dimensional chaos. Applying our approach to a multi-area recurrent neural network (RNN) trained on a working memory selection task, we show that the "sensory" area gains greater control over the "cognitive" area over learning. Furthermore, we leverage the JacobianODE to directly control the trained RNN, enabling precise manipulation of its behavior. Our work lays the foundation for a theoretically grounded and data-driven understanding of interactions among biological subsystems.
• Abstract（参考訳）: 生物学的機能は、脳領域間、遺伝子制御ネットワーク内など、複数のサブシステムの動的相互作用によって生じる。 これらのシステムを理解するための一般的なアプローチは、各サブシステムのダイナミクスをモデル化し、それらの間の通信を特徴付けることである。 別のアプローチは制御理論のレンズを通して、サブシステムが相互に制御する方法である。 このアプローチでは、サブシステム間の制御の方向性、強さ、文脈的変調を推測する。 しかしながら、サブシステム制御を理解する方法は典型的には線形であり、非線形複雑系によって実現されるリッチな文脈効果を適切に記述することはできない。 このギャップを埋めるために、ダイナミックスのジャコビアンを通してサブシステム間相互作用を特徴づけるデータ駆動非線形制御理論フレームワークを考案した。 本稿では,ヤコビアンを時系列データから学習するという課題に対して,ヤコビアンの性質を利用してデータのみから任意の力学系に対して直接推定するディープラーニング手法であるJacobianODEを提案する。 ヤコビアンノードは,高次元カオスを含む挑戦的システムにおいて,既存のヤコビアン推定法よりも優れていることを示す。 動作中のメモリ選択タスクでトレーニングされたマルチエリアリカレントニューラルネットワーク(RNN)にアプローチを適用することで、"感覚"領域が学習よりも"認知"領域をより多くコントロールできることが示されます。 さらに,JacobianODEを利用してトレーニングされたRNNを直接制御し,その動作を正確に操作する。 我々の研究は、生物学的サブシステム間の相互作用の理論的基盤とデータ駆動的理解の基礎を築いた。

関連論文リスト

• Embodied World Models Emerge from Navigational Task in Open-Ended Environments [5.785697934050656]
  プロシージャ的に生成された平面迷路を解決するために,スパース報酬のみで訓練された反復エージェントが,方向,距離,障害物レイアウトなどの計量概念を自律的に内部化できるかどうかを問う。 トレーニングの後、エージェントは、下層の空間モデルにヒントを与える行動である、見えない迷路において、常に準最適経路を生成する。
  論文  参考訳（メタデータ） (2025-04-15T17:35:13Z)
• Learning Subsystem Dynamics in Nonlinear Systems via Port-Hamiltonian Neural Networks [0.0]
  ポート・ハミルトンニューラルネットワーク(pHNN)は、物理法則とディープラーニング技術を統合する強力なモデリングツールとして登場している。 本研究では,入力出力測定のみに基づいて,pHNNを用いてサブシステムを特定する手法を提案する。
  論文  参考訳（メタデータ） (2024-11-08T17:41:51Z)
• Hierarchical learning control for autonomous robots inspired by central nervous system [7.227887302864789]
  本稿では,中枢神経系の階層構造を模倣した新しい階層型学習制御フレームワークを提案する。 このフレームワークは、アクティブな制御システムとパッシブな制御システムを組み合わせて、制御システムの柔軟性と信頼性の両方を改善する。 本研究は,中枢神経系における自律行動を支配する原理を明らかにし,階層的制御手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-08-07T03:24:59Z)
• 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)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• Data-driven Influence Based Clustering of Dynamical Systems [0.0]
  コミュニティ検出は科学と工学の様々な分野において困難で関連する問題である。 本稿では,時系列データから動的システムをクラスタリングする手法を提案する。 本稿では、3つの異なる力学系をクラスタリングすることで提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-04-05T17:26:47Z)
• 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)
• 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)
• An Ode to an ODE [78.97367880223254]
  我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。 この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
  論文  参考訳（メタデータ） (2020-06-19T22:05:19Z)

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。