論文の概要: Latent Mixture of Symmetries for Sample-Efficient Dynamic Learning

• arxiv url: http://arxiv.org/abs/2510.03578v1
• Date: Sat, 04 Oct 2025 00:06:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.128817
• Title: Latent Mixture of Symmetries for Sample-Efficient Dynamic Learning
• Title（参考訳）: サンプル効率のよい動的学習のための対称性の潜時混合
• Authors: Haoran Li, Chenhan Xiao, Muhao Guo, Yang Weng,
• Abstract要約: 工学系におけるモデルに基づく制御と強化学習には,ダイナミクスの学習が不可欠である。 複雑な力学測定から,対称性を重畳した潜在因子の混合を捉える表現モデルであるLatent Mixture of Symmetries (Latent MoS)を提案する。
• 参考スコア（独自算出の注目度）: 7.722898209589864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning dynamics is essential for model-based control and Reinforcement Learning in engineering systems, such as robotics and power systems. However, limited system measurements, such as those from low-resolution sensors, demand sample-efficient learning. Symmetry provides a powerful inductive bias by characterizing equivariant relations in system states to improve sample efficiency. While recent methods attempt to discover symmetries from data, they typically assume a single global symmetry group and treat symmetry discovery and dynamic learning as separate tasks, leading to limited expressiveness and error accumulation. In this paper, we propose the Latent Mixture of Symmetries (Latent MoS), an expressive model that captures a mixture of symmetry-governed latent factors from complex dynamical measurements. Latent MoS focuses on dynamic learning while locally and provably preserving the underlying symmetric transformations. To further capture long-term equivariance, we introduce a hierarchical architecture that stacks MoS blocks. Numerical experiments in diverse physical systems demonstrate that Latent MoS outperforms state-of-the-art baselines in interpolation and extrapolation tasks while offering interpretable latent representations suitable for future geometric and safety-critical analyses.
• Abstract（参考訳）: ロボット工学や電力システムなどの工学系におけるモデルベース制御と強化学習には,ダイナミクスの学習が不可欠である。 しかし、低分解能センサなどの限られたシステム測定では、サンプル効率の学習が要求される。 対称性は、サンプル効率を改善するために系状態の同変関係を特徴付けることによって、強力な誘導バイアスを与える。 最近の手法では、データから対称性を発見しようとするが、通常は単一の大域対称性群を仮定し、対称性の発見と動的学習を別のタスクとして扱い、表現性や誤りの蓄積が制限される。 本稿では, 複雑な動的測定から, 対称性に支配される潜在因子の混合を捉える表現モデルであるLatent Mixture of Symmetries (Latent MoS)を提案する。 潜在MoSは、局所的かつ実証的に基礎となる対称変換を保存しながら、動的学習に焦点を当てている。 さらに,MoSブロックを積み重ねた階層型アーキテクチャを導入する。 様々な物理系における数値実験により、潜伏型MoSは補間および外挿作業における最先端のベースラインより優れ、将来の幾何学的および安全クリティカルな分析に適した解釈可能な潜伏型表現を提供することが示された。

関連論文リスト

• Symmetries-enhanced Multi-Agent Reinforcement Learning [25.383183391244373]
  エージェントが複雑な協調行動を学ぶための強力なフレームワークとして、マルチエージェント強化学習が登場した。 近年の進歩は、システム固有の対称性を政策に組み込むことによって、これらの問題を緩和しようとしている。 本稿では,マルチエージェントシステムに外部対称性を組み込むための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2025-01-02T08:41:31Z)
• Exploiting Symmetry in Dynamics for Model-Based Reinforcement Learning with Asymmetric Rewards [0.6612847014373572]
  本稿では,特定の対称性を示すダイナミックスを学習する手法を提案する。 数値実験により,提案手法はより正確な力学モデルを学習することを示した。
  論文  参考訳（メタデータ） (2024-03-27T21:31:46Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• 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)
• Oracle-Preserving Latent Flows [58.720142291102135]
  我々はラベル付きデータセット全体にわたって複数の非自明な連続対称性を同時に発見するための方法論を開発する。 対称性変換と対応するジェネレータは、特別に構築された損失関数で訓練された完全連結ニューラルネットワークでモデル化される。 この研究における2つの新しい要素は、縮小次元の潜在空間の使用と、高次元のオラクルに関して不変な変換への一般化である。
  論文  参考訳（メタデータ） (2023-02-02T00:13:32Z)
• 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)
• Inverse Learning of Symmetries [71.62109774068064]
  2つの潜在部分空間からなるモデルで対称性変換を学ぶ。 我々のアプローチは、情報ボトルネックと連続的な相互情報正規化器の組み合わせに基づいています。 我々のモデルは, 人工的および分子的データセットにおける最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-02-07T13:48:52Z)

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。