論文の概要: Neural Stochastic Differential Equations on Compact State-Spaces
- arxiv url: http://arxiv.org/abs/2508.17090v1
- Date: Sat, 23 Aug 2025 17:05:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-26 18:43:45.337611
- Title: Neural Stochastic Differential Equations on Compact State-Spaces
- Title（参考訳）: コンパクト状態空間上のニューラル確率微分方程式
- Authors: Yue-Jane Liu, Malinda Lu, Matthew K. Nock, Yaniv Yacoby,
- Abstract要約: 現代の確率モデルの多くはSDEに依存しているが、それらの採用は不安定性、有界領域外における誘導バイアスの低さ、制限的ダイナミクスやトレーニングのトリックに依存しているため妨げられている。
本稿では,連続力学,高次解法,帰納バイアスを有するコンパクト多面体空間上のニューラルSDEの新しいクラスを提案する。
- 参考スコア（独自算出の注目度）: 0.6099774114286839
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many modern probabilistic models rely on SDEs, but their adoption is hampered by instability, poor inductive bias outside bounded domains, and reliance on restrictive dynamics or training tricks. While recent work constrains SDEs to compact spaces using reflected dynamics, these approaches lack continuous dynamics and efficient high-order solvers, limiting interpretability and applicability. We propose a novel class of neural SDEs on compact polyhedral spaces with continuous dynamics, amenable to higher-order solvers, and with favorable inductive bias.
- Abstract（参考訳）: 現代の確率モデルの多くはSDEに依存しているが、それらの採用は不安定性、有界領域外における誘導バイアスの低さ、制限的ダイナミクスやトレーニングのトリックに依存しているため妨げられている。
最近の研究は、反射力学を用いてコンパクト空間にSDEを制約しているが、これらのアプローチには連続力学と効率的な高次解法がなく、解釈可能性と適用性に制限がある。
本稿では,連続力学,高次解法,帰納バイアスを有するコンパクト多面体空間上のニューラルSDEの新しいクラスを提案する。
関連論文リスト
- Constrained Discrete Diffusion [61.81569616239755]
本稿では,拡散過程における微分可能制約最適化の新たな統合であるCDD(Constrained Discrete Diffusion)を紹介する。
CDDは直接、離散拡散サンプリングプロセスに制約を課し、トレーニング不要で効果的なアプローチをもたらす。
論文 参考訳（メタデータ） (2025-03-12T19:48:12Z) - Advancing Generalization in PINNs through Latent-Space Representations [71.86401914779019]
物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)によって支配される力学系のモデリングにおいて大きな進歩を遂げた。
本稿では,多種多様なPDE構成を効果的に一般化する物理インフォームドニューラルPDE解法PIDOを提案する。
PIDOは1次元合成方程式と2次元ナビエ・ストークス方程式を含む様々なベンチマークで検証する。
論文 参考訳（メタデータ） (2024-11-28T13:16:20Z) - Projected Neural Differential Equations for Learning Constrained Dynamics [3.570367665112327]
本稿では,学習ベクトル場の射影を制約多様体の接空間に向けることで,ニューラル微分方程式を制約する新しい手法を提案する。
PNDEは、ハイパーパラメータを少なくしながら、既存のメソッドよりも優れています。
提案手法は、制約付き力学系のモデリングを強化する重要な可能性を示す。
論文 参考訳（メタデータ） (2024-10-31T06:32:43Z) - Stabilized Neural Differential Equations for Learning Dynamics with
Explicit Constraints [4.656302602746229]
そこで我々は, ニューラルネットワーク微分方程式に対する任意の多様体制約を強制するために, 安定化されたニューラル微分方程式(SNDE)を提案する。
我々のアプローチは安定化項に基づいており、元の力学に加えると、制約多様体は確実に安定である。
その単純さのため、我々の手法はすべての共通神経微分方程式(NDE)モデルと互換性があり、広く適用できる。
論文 参考訳（メタデータ） (2023-06-16T10:16:59Z) - Learning Neural Constitutive Laws From Motion Observations for
Generalizable PDE Dynamics [97.38308257547186]
多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。
PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。
そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
論文 参考訳（メタデータ） (2023-04-27T17:42:24Z) - Learning to Accelerate Partial Differential Equations via Latent Global
Evolution [64.72624347511498]
The Latent Evolution of PDEs (LE-PDE) is a simple, fast and scalable method to accelerate the simulation and inverse optimization of PDEs。
我々は,このような潜在力学を効果的に学習し,長期的安定性を確保するために,新たな学習目標を導入する。
更新対象の寸法が最大128倍、速度が最大15倍向上し、競争精度が向上した。
論文 参考訳（メタデータ） (2022-06-15T17:31:24Z) - Neural Operator with Regularity Structure for Modeling Dynamics Driven
by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。
本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。
動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文 参考訳（メタデータ） (2022-04-13T08:53:41Z) - Neural SDEs as Infinite-Dimensional GANs [18.07683058213448]
我々は、SDE の適合に対する現在の古典的アプローチが、(ワッサーシュタイン) GAN の特別な場合としてアプローチされることを示した。
我々は(現代の機械学習における)連続時間生成時系列モデルとしてニューラルSDEを得る。
論文 参考訳（メタデータ） (2021-02-06T19:59:15Z)
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。