論文の概要: SINDy-KANs: Sparse identification of non-linear dynamics through Kolmogorov-Arnold networks

• arxiv url: http://arxiv.org/abs/2603.18548v1
• Date: Thu, 19 Mar 2026 07:03:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:05.991935
• Title: SINDy-KANs: Sparse identification of non-linear dynamics through Kolmogorov-Arnold networks
• Title（参考訳）: SINDy-KANs:Kolmogorov-Arnoldネットワークによる非線形力学のスパース同定
• Authors: Amanda A. Howard, Nicholas Zolman, Bruno Jacob, Steven L. Brunton, Panos Stinis,
• Abstract要約: Kolmogorov-Arnoldネットワーク(KAN)は、機械学習の解釈可能性を高める潜在的な方法として登場した。 我々は,kan表現の解釈可能性を高めるために,kanとSINDyに似た表現を同時に訓練するSINDy-KANを提案する。
• 参考スコア（独自算出の注目度）: 2.047047856380965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Kolmogorov-Arnold networks (KANs) have arisen as a potential way to enhance the interpretability of machine learning. However, solutions learned by KANs are not necessarily interpretable, in the sense of being sparse or parsimonious. Sparse identification of nonlinear dynamics (SINDy) is a complementary approach that allows for learning sparse equations for dynamical systems from data; however, learned equations are limited by the library. In this work, we present SINDy-KANs, which simultaneously train a KAN and a SINDy-like representation to increase interpretability of KAN representations with SINDy applied at the level of each activation function, while maintaining the function compositions possible through deep KANs. We apply our method to a number of symbolic regression tasks, including dynamical systems, to show accurate equation discovery across a range of systems.
• Abstract（参考訳）: Kolmogorov-Arnoldネットワーク(KAN)は、機械学習の解釈可能性を高める潜在的な方法として登場した。 しかし、カンズによって学んだ解は、スパースやパシモニストという意味で必ずしも解釈可能であるとは限らない。 非線形力学のスパース同定(SINDy)は、データから力学系のスパース方程式を学習するための補完的な手法であるが、学習方程式はライブラリによって制限される。 本研究では,各アクティベーション関数のレベルで適用されたSINDyを用いて,kan表現とSINDy様表現を同時に訓練し,深いkanを通して可能な関数構成を維持しながら,kan表現の解釈可能性を高めるSINDy-KANを提案する。 本手法は, 力学系を含む複数の記号的回帰タスクに適用し, 様々な系における正確な方程式発見を示す。

関連論文リスト

• Unveiling the Actual Performance of Neural-based Models for Equation Discovery on Graph Dynamical Systems [45.11208589443806]
  グラフのためのKAN(Kolmogorov-Arnold Networks)は、その固有の解釈可能性を活用するように設計されている。 カンは基礎となる記号方程式の同定に成功し、既存の基底線をはるかに上回った。 本研究は,モデル表現性と解釈可能性のトレードオフを明らかにするための実践的ガイドを提供する。
  論文  参考訳（メタデータ） (2025-08-25T16:25:50Z)
• LeARN: Learnable and Adaptive Representations for Nonlinear Dynamics in System Identification [0.0]
  非線形システム識別フレームワークLeARNを導入する。 基礎関数のライブラリをデータから直接学習することで、事前のドメイン知識の必要性を超越します。 我々はNeural Flyデータセットのフレームワークを検証し、その堅牢な適応と能力を示す。
  論文  参考訳（メタデータ） (2024-12-16T18:03:23Z)
• SINDyG: Sparse Identification of Nonlinear Dynamical Systems from Graph-Structured Data, with Applications to Stuart-Landau Oscillator Networks [0.27624021966289597]
  グラフ構造化データ(SINDyG)から動的システムのスパース同定法を開発した。 SINDyGはネットワーク構造をスパース回帰に組み込んで、基礎となるネットワーク力学を説明するモデルパラメータを識別する。 本実験は, ネットワーク力学の精度向上と簡易性を検証した。
  論文  参考訳（メタデータ） (2024-09-02T17:51:37Z)
• Discrete, compositional, and symbolic representations through attractor dynamics [51.20712945239422]
  我々は,思考の確率的言語(PLoT)に似た認知過程をモデル化するために,アトラクタダイナミクスを記号表現と統合した新しいニューラルシステムモデルを導入する。 我々のモデルは、連続表現空間を、事前定義されたプリミティブに頼るのではなく、教師なし学習を通じて、記号系の意味性と構成性の特徴を反映する、記号列に対応する引き付け状態を持つ離散盆地に分割する。 このアプローチは、認知操作の複雑な双対性を反映したより包括的なモデルを提供する、AIにおける表現力の証明された神経弁別可能な基質であるニューラルダイナミクスを通じて、シンボル処理とサブシンボル処理の両方を統合する統一的なフレームワークを確立する。
  論文  参考訳（メタデータ） (2023-10-03T05:40:56Z)
• Neural-Symbolic Recursive Machine for Systematic Generalization [113.22455566135757]
  我々は、基底記号システム(GSS)のコアとなるニューラル・シンボリック再帰機械(NSR)を紹介する。 NSRは神経知覚、構文解析、意味推論を統合している。 我々はNSRの有効性を,系統的一般化能力の探索を目的とした4つの挑戦的ベンチマークで評価した。
  論文  参考訳（メタデータ） (2022-10-04T13:27:38Z)
• 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)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)

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。