論文の概要: Simulation-free Structure Learning for Stochastic Dynamics

• arxiv url: http://arxiv.org/abs/2510.16656v1
• Date: Sat, 18 Oct 2025 22:31:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.082537
• Title: Simulation-free Structure Learning for Stochastic Dynamics
• Title（参考訳）: 確率力学のシミュレーション不要構造学習
• Authors: Noah El Rimawi-Fine, Adam Stecklov, Lucas Nelson, Mathieu Blanchette, Alexander Tong, Stephen Y. Zhang, Lazar Atanackovic,
• Abstract要約: 本研究では,物理系の構造と人口動態を共同で学習するための,新しいシミュレーション不要な手法であるStructureFlowを提案する。 本研究では,StructureFlowが,条件付き人口動態を同時にモデル化しながら,基礎となるシステムの構造を学習可能であることを示す。
• 参考スコア（独自算出の注目度）: 39.468930729022546
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling dynamical systems and unraveling their underlying causal relationships is central to many domains in the natural sciences. Various physical systems, such as those arising in cell biology, are inherently high-dimensional and stochastic in nature, and admit only partial, noisy state measurements. This poses a significant challenge for addressing the problems of modeling the underlying dynamics and inferring the network structure of these systems. Existing methods are typically tailored either for structure learning or modeling dynamics at the population level, but are limited in their ability to address both problems together. In this work, we address both problems simultaneously: we present StructureFlow, a novel and principled simulation-free approach for jointly learning the structure and stochastic population dynamics of physical systems. We showcase the utility of StructureFlow for the tasks of structure learning from interventions and dynamical (trajectory) inference of conditional population dynamics. We empirically evaluate our approach on high-dimensional synthetic systems, a set of biologically plausible simulated systems, and an experimental single-cell dataset. We show that StructureFlow can learn the structure of underlying systems while simultaneously modeling their conditional population dynamics -- a key step toward the mechanistic understanding of systems behavior.
• Abstract（参考訳）: 力学系をモデル化し、その基礎となる因果関係を解き放つことは、自然科学における多くの領域の中心である。 細胞生物学などの様々な物理系は、本質的には高次元で確率的であり、部分的、ノイズの多い状態の測定しか認めない。 これは、基礎となる力学をモデル化し、これらのシステムのネットワーク構造を推測する問題に対処する上で大きな課題となる。 既存の手法は一般に、人口レベルでの構造学習やモデリングのダイナミクスのために調整されているが、両方の問題に一緒に対処する能力は限られている。 本研究では、物理系の構造と確率的人口動態を共同学習するための、新しい、原理化されたシミュレーション不要な手法であるStructureFlowを提案する。 本研究では, 介入による構造学習と, 条件付き人口動態の動的(軌跡)推論におけるStructureFlowの有用性について紹介する。 我々は,高次元合成システム,生物学的に可塑性なシミュレーションシステム,実験用単細胞データセットに対するアプローチを実証的に評価した。 StructureFlowは,システム動作の機械的理解に向けた重要なステップである条件付き人口動態を同時にモデル化しながら,基盤となるシステム構造を学習できることを示す。

関連論文リスト

• Decomposing heterogeneous dynamical systems with graph neural networks [0.0]
  観測可能な力学から相互作用規則と潜在不均一性を共同で学習するために、グラフニューラルネットワークがいかに簡単に設計できるかを示す。 本研究では, 相互作用粒子, ベクトル場, 信号ネットワークのシミュレーション実験により実験を行った。
  論文  参考訳（メタデータ） (2024-07-27T04:03:12Z)
• 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)
• Learning the Topology and Behavior of Discrete Dynamical Systems [30.424671907681688]
  ブラックボックスシステムの振る舞いと基盤となるトポロジを学習する問題に焦点をあてる。 一般に、この学習問題は計算的に難解であることが示される。 この結果は、離散力学系の挙動とトポロジーの両方を学ぶための理論的基盤を提供する。
  論文  参考訳（メタデータ） (2024-02-18T19:31:26Z)
• 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)
• 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)
• S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
  モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。 我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
  論文  参考訳（メタデータ） (2020-07-13T17:44:30Z)
• Learning Stable Deep Dynamics Models [91.90131512825504]
  状態空間全体にわたって安定することが保証される力学系を学習するためのアプローチを提案する。 このような学習システムは、単純な力学系をモデル化することができ、複雑な力学を学習するために追加の深層生成モデルと組み合わせることができることを示す。
  論文  参考訳（メタデータ） (2020-01-17T00:04:45Z)

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。