論文の概要: CHyLL: Learning Continuous Neural Representations of Hybrid Systems

• arxiv url: http://arxiv.org/abs/2512.10117v1
• Date: Wed, 10 Dec 2025 22:07:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.085727
• Title: CHyLL: Learning Continuous Neural Representations of Hybrid Systems
• Title（参考訳）: CHyLL: ハイブリッドシステムの継続的ニューラルネットワーク表現を学習する
• Authors: Sangli Teng, Hang Liu, Jingyu Song, Koushil Sreenath,
• Abstract要約: トラジェクティブセグメンテーションやイベント関数,モードスイッチングを使わずに,ハイブリッドシステムの連続的なニューラル表現を学習するCHyLLを提案する。 以上の結果から,CHyLLはより精度のよいハイブリッドシステムの流れを正確に予測し,ハイブリッドシステムのトポロジ的不変性を同定できることを示す。
• 参考スコア（独自算出の注目度）: 11.771902164764514
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning the flows of hybrid systems that have both continuous and discrete time dynamics is challenging. The existing method learns the dynamics in each discrete mode, which suffers from the combination of mode switching and discontinuities in the flows. In this work, we propose CHyLL (Continuous Hybrid System Learning in Latent Space), which learns a continuous neural representation of a hybrid system without trajectory segmentation, event functions, or mode switching. The key insight of CHyLL is that the reset map glues the state space at the guard surface, reformulating the state space as a piecewise smooth quotient manifold where the flow becomes spatially continuous. Building upon these insights and the embedding theorems grounded in differential topology, CHyLL concurrently learns a singularity-free neural embedding in a higher-dimensional space and the continuous flow in it. We showcase that CHyLL can accurately predict the flow of hybrid systems with superior accuracy and identify the topological invariants of the hybrid systems. Finally, we apply CHyLL to the stochastic optimal control problem.
• Abstract（参考訳）: 連続時間と離散時間の両方を持つハイブリッドシステムのフローを学ぶことは難しい。 既存の手法では,モード切替と流れの不連続性の組み合わせに悩まされる各離散モードのダイナミクスを学習する。 本研究では,CyLL(Continuous Hybrid System Learning in Latent Space)を提案する。これは,トラジェクティブセグメンテーションやイベント関数,モードスイッチングを伴わないハイブリッドシステムの連続的なニューラル表現を学習する。 CHyLL の重要な洞察は、リセット写像がガード面の状態空間をグルーグし、流れが空間的に連続になる部分的に滑らかな商多様体として状態空間を再構成することである。 これらの洞察と微分トポロジーに基づく埋め込み定理に基づいて、CHYLL は高次元空間とその内部の連続流れに特異性のない神経埋め込みを同時に学習する。 以上の結果から,CHyLLはより精度の高いハイブリッドシステムの流れを正確に予測し,ハイブリッドシステムのトポロジ的不変性を同定できることを示す。 最後に、確率的最適制御問題にCHyLLを適用する。

関連論文リスト

• Foundations of Diffusion Models in General State Spaces: A Self-Contained Introduction [54.95522167029998]
  この記事は、一般状態空間上の拡散に関する自己完結プライマーである。 我々は、その連続時間限界とともに離散時間ビュー(マルコフカーネルを経由し、逆ダイナミクスを学習する)を開発する。 一般的な変量処理は、標準の訓練損失を支えるELBOをもたらす。
  論文  参考訳（メタデータ） (2025-12-04T18:55:36Z)
• Curly Flow Matching for Learning Non-gradient Field Dynamics [49.480209466896035]
  非勾配場力学を学習するための新しいアプローチであるCurly Flow Matching (Curly-FM)を導入する。 Curly-FMは、Schr"odinger Bridge問題の設計と解決によって、非勾配場力学を学習することができる。 Curly-FMは、基準プロセスと人口限界の両方に適合する軌道を学習することができる。
  論文  参考訳（メタデータ） (2025-10-30T16:11:39Z)
• Temporal Lifting as Latent-Space Regularization for Continuous-Time Flow Models in AI Systems [0.0]
  連続時間力学系に対する適応時間的再パラメータ化の潜時空間定式化を提案する。 機械学習のダイナミクスの観点からすると、テンポラルリフトは連続時間正規化やタイムワープ演算子として機能する。
  論文  参考訳（メタデータ） (2025-10-10T19:06:32Z)
• Equilibrium flow: From Snapshots to Dynamics [4.741100658955037]
  本稿では,パターン分布を保存する連続力学を学習するフレームワークであるEquilibrium Flow法を紹介する。 グレイ・スコットモデルからの高次元チューリングパターンに対して、基底真理に対する高い忠実性を達成するための効率的で訓練のない変種を開発する。 この能力は既知のシステムの回復を超えて拡張され、人工生命のための逆設計の新しいパラダイムが実現された。
  論文  参考訳（メタデータ） (2025-09-22T16:33:20Z)
• Safe Multi-agent Learning via Trapping Regions [89.24858306636816]
  我々は、動的システムの定性理論から知られているトラップ領域の概念を適用し、分散学習のための共同戦略空間に安全セットを作成する。 本稿では,既知の学習力学を持つシステムにおいて,候補がトラップ領域を形成することを検証するための二分分割アルゴリズムと,学習力学が未知のシナリオに対するサンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-27T14:47:52Z)
• Formal Controller Synthesis for Markov Jump Linear Systems with Uncertain Dynamics [64.72260320446158]
  マルコフジャンプ線形系に対する制御器の合成法を提案する。 本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。 本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
  論文  参考訳（メタデータ） (2022-12-01T17:36:30Z)
• Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
  本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。 我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。 提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-10-12T09:12:59Z)
• Semi-supervised Learning of Partial Differential Operators and Dynamical Flows [68.77595310155365]
  本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。 本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。 その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
  論文  参考訳（メタデータ） (2022-07-28T19:59:14Z)
• Neural Hybrid Automata: Learning Dynamics with Multiple Modes and Stochastic Transitions [36.81150424798492]
  我々は,モード数やモード間遷移のダイナミクスについて事前知識のないSHSダイナミクスを学習するためのレシピであるNeural Hybrid Automata (NHAs)を紹介した。 NHAは、正規化フロー、ニューラル微分方程式、自己超越に基づく体系的推論手法を提供する。 遷移を伴うシステムにおけるモードリカバリやフローラーニング,階層型ロボットコントローラのエンドツーエンド学習など,さまざまなタスクにおけるNHAについて紹介する。
  論文  参考訳（メタデータ） (2021-06-08T08:04:39Z)
• Deep Learning of Conjugate Mappings [2.9097303137825046]
  Henri Poincar'eは、連続フローの連続反復を低次元の横断的な部分空間で追跡することによって、最初に接続した。 本研究では,深層学習を用いて可逆座標変換を共役表現に変換することにより,明示的なポアンカー写像の取得方法を提案する。
  論文  参考訳（メタデータ） (2021-04-01T16:29:41Z)

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。