論文の概要: Learning from Imperfect Data: Robust Inference of Dynamic Systems using Simulation-based Generative Model

• arxiv url: http://arxiv.org/abs/2507.10884v1
• Date: Tue, 15 Jul 2025 00:56:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-16 19:46:02.935443
• Title: Learning from Imperfect Data: Robust Inference of Dynamic Systems using Simulation-based Generative Model
• Title（参考訳）: 不完全データからの学習:シミュレーションに基づく生成モデルを用いた動的システムのロバスト推論
• Authors: Hyunwoo Cho, Hyeontae Jo, Hyung Ju Hwang,
• Abstract要約: 本研究では,動的システムに対する高精度かつロバストな推論を可能にするシミュレーションに基づく不完全データ生成モデル(SiGMoID)を提案する。 我々は、SiGMoIDがデータノイズを定量化し、システムパラメータを推定し、観測されていないシステムコンポーネントを推測することを示した。
• 参考スコア（独自算出の注目度）: 4.430997638097218
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: System inference for nonlinear dynamic models, represented by ordinary differential equations (ODEs), remains a significant challenge in many fields, particularly when the data are noisy, sparse, or partially observable. In this paper, we propose a Simulation-based Generative Model for Imperfect Data (SiGMoID) that enables precise and robust inference for dynamic systems. The proposed approach integrates two key methods: (1) physics-informed neural networks with hyper-networks that constructs an ODE solver, and (2) Wasserstein generative adversarial networks that estimates ODE parameters by effectively capturing noisy data distributions. We demonstrate that SiGMoID quantifies data noise, estimates system parameters, and infers unobserved system components. Its effectiveness is validated validated through realistic experimental examples, showcasing its broad applicability in various domains, from scientific research to engineered systems, and enabling the discovery of full system dynamics.
• Abstract（参考訳）: 通常の微分方程式(ODE)で表される非線形力学モデルのシステム推論は、特にデータがノイズ、スパース、あるいは部分的に観測可能な場合、多くの分野において重要な課題である。 本稿では,シミュレーションに基づく不完全データ生成モデル(SiGMoID)を提案する。 提案手法は,(1)物理インフォームドニューラルネットワークとODEソルバを構成するハイパーネットワーク,(2)ノイズの多いデータ分布を効果的に捉えてODEパラメータを推定するワッサーシュタイン生成逆数ネットワークの2つの主要な手法を統合する。 我々は、SiGMoIDがデータノイズを定量化し、システムパラメータを推定し、観測されていないシステムコンポーネントを推測することを示した。 その有効性は、現実的な実験例を通じて検証され、科学研究から工学的なシステムまで、様々な領域で適用可能性を示し、完全なシステムダイナミクスの発見を可能にする。

関連論文リスト

• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Learning Stochastic Dynamical Systems with Structured Noise [12.056775765064266]
  大規模データセットが利用できるため、ノイズを伴う観測から学習モデルを学ぶことへの関心が高まっている。 ノイズが特異なSDE系のドリフト項と拡散項の両方を学習するための非パラメトリックフレームワークを提案する。 提案手法の有効性を実証するために,軌道データを用いた推定器を構築するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-03T00:40:53Z)
• InVAErt networks: a data-driven framework for model synthesis and identifiability analysis [0.0]
  inVAErtは物理システムのデータ駆動分析と合成のためのフレームワークである。 これは、前方および逆写像を表す決定論的デコーダ、系の出力の確率分布を捉える正規化フロー、入力と出力の間の単射性の欠如についてコンパクトな潜在表現を学ぶ変分エンコーダを使用する。
  論文  参考訳（メタデータ） (2023-07-24T07:58:18Z)
• Learning Latent Dynamics via Invariant Decomposition and (Spatio-)Temporal Transformers [0.6767885381740952]
  本研究では,高次元経験データから力学系を学習する手法を提案する。 我々は、システムの複数の異なるインスタンスからデータが利用できる設定に焦点を当てる。 我々は、単純な理論的分析と、合成および実世界のデータセットに関する広範な実験を通して行動を研究する。
  論文  参考訳（メタデータ） (2023-06-21T07:52:07Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• 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)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Modeling System Dynamics with Physics-Informed Neural Networks Based on Lagrangian Mechanics [3.214927790437842]
  第一原則の手法は高いバイアスに悩まされるが、データ駆動モデリングは高いばらつきを持つ傾向がある。 本稿では,2つのモデリング手法を組み合わせて上記の問題を解くハイブリッドモデルであるPINODEについて述べる。 本研究の目的は,機械系のモデルベース制御とシステム同定である。
  論文  参考訳（メタデータ） (2020-05-29T15:10:43Z)

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。