論文の概要: Identifiability and amortized inference limitations in Kuramoto models

• arxiv url: http://arxiv.org/abs/2603.21752v1
• Date: Mon, 23 Mar 2026 09:46:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.594826
• Title: Identifiability and amortized inference limitations in Kuramoto models
• Title（参考訳）: 倉本モデルにおける識別可能性と償却推論限界
• Authors: Emma Hannula, Jana de Wiljes, Matthew T. Moores, Heikki Haario, Lassi Roininen,
• Abstract要約: シミュレーションされた位相ダイナミクスから後肢の神経近似を学習するアモータイズされたベイズ推論手法を提案する。 本手法は, 後部分布の近似と不確かさの把握において, 有望な結果を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian inference is a powerful tool for parameter estimation and uncertainty quantification in dynamical systems. However, for nonlinear oscillator networks such as Kuramoto models, widely used to study synchronization phenomena in physics, biology, and engineering, inference is often computationally prohibitive due to high-dimensional state spaces and intractable likelihood functions. We present an amortized Bayesian inference approach that learns a neural approximation of the posterior from simulated phase dynamics, enabling fast, scalable inference without repeated sampling or optimization. Applied to synthetic Kuramoto networks, the method shows promising results in approximating posterior distributions and capturing uncertainty, with computational savings compared to traditional Bayesian techniques. These findings suggest that amortized inference is a practical and flexible framework for uncertainty-aware analysis of oscillator networks.
• Abstract（参考訳）: ベイズ推定は力学系のパラメータ推定と不確実性定量化のための強力なツールである。 しかし、物理学、生物学、工学における同期現象の研究に広く用いられている倉本モデルのような非線形発振器ネットワークでは、推論は高次元状態空間と難易度関数のために計算的に禁止されることが多い。 シミュレーションされた位相ダイナミクスから後部の神経近似を学習し、繰り返しサンプリングや最適化を行わずに高速でスケーラブルな推論を可能にする。 合成倉本ネットワークに適用すると,従来のベイズ手法と比較して,後方分布の近似や不確かさの把握に有望な結果が得られた。 これらの結果から,不確実性を考慮した発振器ネットワーク解析の実践的かつ柔軟な枠組みであることが示唆された。

関連論文リスト

• A Statistical Assessment of Amortized Inference Under Signal-to-Noise Variation and Distribution Shift [0.9590253747787195]
  近年、ディープニューラルネットワークと基礎モデルの成功により、統計モデリングの新しいパラダイムが生まれている。 償却推論では、近似した後方または予測を生成するニューラルネットワークをトレーニングするために、実質的な計算が前もって投資される。 償却推論の人気が高まっているにもかかわらず、その統計的解釈とベイズ推論におけるその役割はいまだに理解されていない。
  論文  参考訳（メタデータ） (2026-01-12T19:21:51Z)
• VIKING: Deep variational inference with stochastic projections [48.946143517489496]
  変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。 パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。 これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
  論文  参考訳（メタデータ） (2025-10-27T15:38:35Z)
• Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• Low-Order Flow Reconstruction and Uncertainty Quantification in Disturbed Aerodynamics Using Sparse Pressure Measurements [0.0]
  本稿では,低次グステンカウンタ流場と昇降係数をスパース・ノイズ表面圧力測定から再構成する新しい機械学習フレームワークを提案する。 本研究では,センサのガス-空気相互作用に対する応答の時間変化を徹底的に検討し,センサ配置に関する貴重な知見を明らかにする。
  論文  参考訳（メタデータ） (2025-01-06T22:02:06Z)
• Bayesian inference and neural estimation of acoustic wave propagation [10.980762871305279]
  本稿では,物理と機械学習を組み合わせて音響信号を解析する新しい枠組みを提案する。 この課題のために, スペクトル音響特性を推定するベイズ推定法, 前方および後方の物理的損失をニューラルネットワークに装備するニューラルネットワーク物理モデル, ベンチマークとして機能する非線形最小二乗法, の3つの手法が開発された。 このフレームワークの単純さと効率性は、シミュレーションデータ上で実証的に検証されている。
  論文  参考訳（メタデータ） (2023-05-28T15:14:46Z)
• Neural State-Space Models: Empirical Evaluation of Uncertainty Quantification [0.0]
  本稿では,ニューラル状態空間モデルを用いたシステム同定のための不確実性定量化に関する予備的結果を示す。 ベイズ確率的設定で学習問題をフレーム化し、ニューラルネットワークの重みと出力の後方分布を求める。 後部に基づいて,出力の信頼区間を構築し,潜在的に危険なアウト・オブ・ディストリビューション体制下でモデルの使用を効果的に診断できるサプライズ指標を定義する。
  論文  参考訳（メタデータ） (2023-04-13T08:57:33Z)
• The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
  不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。 我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
  論文  参考訳（メタデータ） (2022-05-20T10:10:32Z)
• Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
  本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。 本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
  論文  参考訳（メタデータ） (2021-11-02T12:33:42Z)
• Bayesian differential programming for robust systems identification under uncertainty [14.169588600819546]
  本稿では,非線形力学系のノイズ,スパース,不規則な観測からベイズ系を同定する機械学習フレームワークを提案する。 提案手法は、微分可能プログラミングの最近の発展を利用して、通常の微分方程式解法を用いて勾配情報を伝播する。 スパーシティプロモーティングプリエントを用いることで、下層の潜在力学に対する解釈可能かつ同義的な表現の発見が可能になる。
  論文  参考訳（メタデータ） (2020-04-15T00:51:14Z)

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。