論文の概要: InputDSA: Demixing then Comparing Recurrent and Externally Driven Dynamics

• arxiv url: http://arxiv.org/abs/2510.25943v1
• Date: Wed, 29 Oct 2025 20:38:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.564541
• Title: InputDSA: Demixing then Comparing Recurrent and Externally Driven Dynamics
• Title（参考訳）: InputDSA: リカレントと外部駆動のダイナミクスを比較するデミックス
• Authors: Ann Huang, Mitchell Ostrow, Satpreet H. Singh, Leo Kozachkov, Ila Fiete, Kanaka Rajan,
• Abstract要約: 入力DSA(iDSA)という,内在性(再帰性)と入力駆動性(input-driven dynamics)を比較するための新しい指標を提案する。 入力DSAは、ノイズの多いデータから部分的に観測された入力駆動システムと比較できることを示す。 本稿では,Deep Reinforcement LearningでトレーニングしたリカレントニューラルネットワークにInputDSAを適用し,ハイパフォーマンスネットワークが動的に類似しているのに対して,低パフォーマンスネットワークはより多様であることを示す。
• 参考スコア（独自算出の注目度）: 11.069606004033368
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In control problems and basic scientific modeling, it is important to compare observations with dynamical simulations. For example, comparing two neural systems can shed light on the nature of emergent computations in the brain and deep neural networks. Recently, Ostrow et al. (2023) introduced Dynamical Similarity Analysis (DSA), a method to measure the similarity of two systems based on their recurrent dynamics rather than geometry or topology. However, DSA does not consider how inputs affect the dynamics, meaning that two similar systems, if driven differently, may be classified as different. Because real-world dynamical systems are rarely autonomous, it is important to account for the effects of input drive. To this end, we introduce a novel metric for comparing both intrinsic (recurrent) and input-driven dynamics, called InputDSA (iDSA). InputDSA extends the DSA framework by estimating and comparing both input and intrinsic dynamic operators using a variant of Dynamic Mode Decomposition with control (DMDc) based on subspace identification. We demonstrate that InputDSA can successfully compare partially observed, input-driven systems from noisy data. We show that when the true inputs are unknown, surrogate inputs can be substituted without a major deterioration in similarity estimates. We apply InputDSA on Recurrent Neural Networks (RNNs) trained with Deep Reinforcement Learning, identifying that high-performing networks are dynamically similar to one another, while low-performing networks are more diverse. Lastly, we apply InputDSA to neural data recorded from rats performing a cognitive task, demonstrating that it identifies a transition from input-driven evidence accumulation to intrinsically-driven decision-making. Our work demonstrates that InputDSA is a robust and efficient method for comparing intrinsic dynamics and the effect of external input on dynamical systems.
• Abstract（参考訳）: 制御問題や基礎的な科学的モデリングでは、観察と力学シミュレーションを比較することが重要である。 例えば、2つのニューラルネットワークを比較することは、脳と深部ニューラルネットワークにおける創発的計算の性質に光を当てることができる。 近年、Ostrow et al (2023) は、幾何学やトポロジーではなく、その反復力学に基づいて、2つのシステムの類似度を測定する方法である動的類似性解析 (Dynamical similarity Analysis, DSA) を導入した。 しかし、DSAは入力がダイナミクスにどのように影響するかを考慮していない。 実世界の力学系は滅多に自律的であるため、入力駆動の影響を考慮することが重要である。 そこで本研究では,インプットDSA (InputDSA) とインプット駆動力学 (intent-driven dynamics) を比較した。 入力DSAは、サブスペース識別に基づく動的モード分解と制御(DMDc)を用いて入力および固有の動的演算子を推定、比較することにより、DSAフレームワークを拡張している。 入力DSAは、ノイズの多いデータから部分的に観測された入力駆動システムと比較できることを示す。 真の入力が不明な場合には、類似度推定の大幅な劣化を伴わずに代理入力を置換できることが示される。 深層強化学習(Deep Reinforcement Learning)で訓練されたリカレントニューラルネットワーク(RNN)にInputDSAを適用し、ハイパフォーマンスネットワークが動的に類似しているのに対して、低パフォーマンスネットワークはより多様であることを示す。 最後に、インプットDSAを認知タスクを実行するラットの神経データに適用し、インプット駆動型エビデンスから本質的駆動型意思決定への移行を明らかにする。 本研究は,インプットDSAが本質的な力学と外部入力が動的システムに与える影響を比較するための頑健で効率的な手法であることを実証する。

関連論文リスト

• Fractional Spike Differential Equations Neural Network with Efficient Adjoint Parameters Training [63.3991315762955]
  スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンからインスピレーションを得て、脳に似た計算の現実的なモデルを作成する。 既存のほとんどのSNNは、マルコフ特性を持つ一階常微分方程式(ODE)によってモデル化された、神経細胞膜電圧ダイナミクスの単一時間定数を仮定している。 本研究では, 膜電圧およびスパイク列車の長期依存性を分数次力学により捉えるフラクタルSPIKE微分方程式ニューラルネットワーク (fspikeDE) を提案する。
  論文  参考訳（メタデータ） (2025-07-22T18:20:56Z)
• Learning from Imperfect Data: Robust Inference of Dynamic Systems using Simulation-based Generative Model [4.430997638097218]
  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。
  論文  参考訳（メタデータ） (2025-07-15T00:56:21Z)
• 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 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)
• Decomposed Linear Dynamical Systems (dLDS) for learning the latent components of neural dynamics [6.829711787905569]
  本稿では,時系列データの非定常および非線形の複雑なダイナミクスを表現した新しい分解力学系モデルを提案する。 我々のモデルは辞書学習によって訓練され、最近の結果を利用してスパースベクトルを時間とともに追跡する。 連続時間と離散時間の両方の指導例において、我々のモデルは元のシステムによく近似できることを示した。
  論文  参考訳（メタデータ） (2022-06-07T02:25:38Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• 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)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)
• Neural Dynamical Systems: Balancing Structure and Flexibility in Physical Prediction [14.788494279754481]
  各種グレーボックス設定における動的モデルの学習方法であるNeural Dynamical Systems (NDS)を紹介する。 NDSはニューラルネットワークを使用してシステムの自由パラメータを推定し、残余項を予測し、将来状態を予測するために時間とともに数値的に統合する。
  論文  参考訳（メタデータ） (2020-06-23T00:50:48Z)
• Neural Additive Models: Interpretable Machine Learning with Neural Nets [77.66871378302774]
  ディープニューラルネットワーク(DNN)は、さまざまなタスクにおいて優れたパフォーマンスを達成した強力なブラックボックス予測器である。 本稿では、DNNの表現性と一般化した加法モデルの固有知性を組み合わせたニューラル付加モデル(NAM)を提案する。 NAMは、ニューラルネットワークの線形結合を学び、それぞれが単一の入力機能に付随する。
  論文  参考訳（メタデータ） (2020-04-29T01:28:32Z)

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。