論文の概要: Neural Ordinary Differential Equations for Modeling Socio-Economic Dynamics
- arxiv url: http://arxiv.org/abs/2604.00632v1
- Date: Wed, 01 Apr 2026 08:36:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-02 16:44:31.908694
- Title: Neural Ordinary Differential Equations for Modeling Socio-Economic Dynamics
- Title（参考訳）: 社会経済的ダイナミクスのモデル化のためのニューラル正規微分方程式
- Authors: Sandeep Kumar Samota, Snehashish Chakraverty, Narayan Sethi,
- Abstract要約: この章では、インドのオディシャ州の貧困動態を分析するために、ニューラル・オーディナリー微分方程式(Neural Ordinary Differential Equations)フレームワークを適用している。
我々は、2007年から2020年までの時系列データを、経済発展と貧困削減の重要な指標として活用する。
以上の結果から,ニューラルODEなどのML手法は,社会経済遷移をモデル化するための効果的なツールとして有効であることが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Poverty is a complex dynamic challenge that cannot be adequately captured using predefined differential equations. Nowadays, artificial machine learning (ML) methods have demonstrated significant potential in modelling real-world dynamical systems. Among these, Neural Ordinary Differential Equations (Neural ODEs) have emerged as a powerful, data-driven approach for learning continuous-time dynamics directly from observations. This chapter applies the Neural ODE framework to analyze poverty dynamics in the Indian state of Odisha. Specifically, we utilize time-series data from 2007 to 2020 on the key indicators of economic development and poverty reduction. Within the Neural ODE architecture, the temporal gradient of the system is represented by a multi-layer perceptron (MLP). The obtained neural dynamical system is integrated using a numerical ODE solver to obtain the trajectory of over time. In backpropagation, the adjoint sensitivity method is utilized for gradient computation during training to facilitate effective backpropagation through the ODE solver. The trained Neural ODE model reproduces the observed data with high accuracy. This demonstrates the capability of Neural ODE to capture the dynamics of the poverty indicator of concrete-structured households. The obtained results show that ML methods, such as Neural ODEs, can serve as effective tools for modeling socioeconomic transitions. It can provide policymakers with reliable projections, supporting more informed and effective decision-making for poverty alleviation.
- Abstract（参考訳）: 貧困 (Poverty) は、事前定義された微分方程式を用いて適切に捕獲できない複雑な動的挑戦である。
近年,機械学習(ML)手法は実世界の力学システムをモデル化する上で大きな可能性を示している。
これらのうち、ニューラル正規微分方程式(Neural Ordinary Differential Equations、ニューラルODE)は、観測から直接連続時間ダイナミクスを学習するための強力なデータ駆動型アプローチとして登場した。
この章では、インドのオディシャ州の貧困動態を分析するためにNeural ODEフレームワークを適用している。
具体的には、2007年から2020年にかけての時系列データを、経済発展と貧困削減の重要な指標として活用する。
ニューラルODEアーキテクチャでは、システムの時間勾配は多層パーセプトロン(MLP)で表される。
得られた神経力学系を数値ODEソルバを用いて統合し、時間経過の軌跡を得る。
バックプロパゲーションでは、ODEソルバによる効果的なバックプロパゲーションを容易にするために、トレーニング中の勾配計算に随伴感度法を用いる。
トレーニングされたNeural ODEモデルは、観測データを高精度に再現する。
このことは、コンクリート構造住宅の貧困指標のダイナミクスを捉えるためのNeural ODEの能力を示している。
以上の結果から,ニューラルODEなどのML手法は,社会経済遷移をモデル化するための効果的なツールとして有効であることが示唆された。
政策立案者に信頼できる予測を提供し、貧困緩和のためのより情報的で効果的な意思決定を支援することができる。
関連論文リスト
- Robust Moment Identification for Nonlinear PDEs via a Neural ODE Approach [7.097168937001958]
ニューラルODEを用いたPDE-governedシステムから低次モーメントダイナミクスを学習するためのデータ駆動型フレームワークを提案する。
非線形シュリンガー方程式をアプリケーションプラットフォームとして利用し、クロージャが利用可能になったときのモーメントダイナミクスを正確に回復する。
論文 参考訳（メタデータ） (2025-06-05T17:03:42Z) - 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) - KAN-ODEs: Kolmogorov-Arnold Network Ordinary Differential Equations for Learning Dynamical Systems and Hidden Physics [0.0]
コルモゴロフ・アルノルドネットワーク(KAN)は多層パーセプトロン(MLP)の代替品である
この研究は、Kansをニューラル常微分方程式(ODE)フレームワークのバックボーンとして適用する。
論文 参考訳（メタデータ） (2024-07-05T00:38:49Z) - CGNSDE: Conditional Gaussian Neural Stochastic Differential Equation for Modeling Complex Systems and Data Assimilation [1.4322470793889193]
条件付きニューラル微分方程式(CGNSDE)と呼ばれる新しい知識ベースおよび機械学習ハイブリッドモデリング手法を開発した。
標準的なニューラルネットワーク予測モデルとは対照的に、CGNSDEは前方予測タスクと逆状態推定問題の両方に効果的に取り組むように設計されている。
論文 参考訳（メタデータ） (2024-04-10T05:32:03Z) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳（メタデータ） (2024-02-20T15:23:24Z) - AttNS: Attention-Inspired Numerical Solving For Limited Data Scenarios [51.94807626839365]
限定データによる微分方程式の解法として,注目型数値解法(AttNS)を提案する。
AttNSは、モデル一般化とロバスト性の向上におけるResidual Neural Networks(ResNet)のアテンションモジュールの効果にインスパイアされている。
論文 参考訳（メタデータ） (2023-02-05T01:39:21Z) - Homotopy-based training of NeuralODEs for accurate dynamics discovery [0.0]
我々は,同期とホモトピー最適化に基づくニューラルノードの新しいトレーニング手法を開発した。
モデルダイナミクスとトレーニングデータとを同期させることで、もともと不規則なロスランドスケープを味わうことを示す。
本手法は,トレーニングエポックの半数以下を必要としながら,競争力やより良いトレーニング損失を達成する。
論文 参考訳（メタデータ） (2022-10-04T06:32:45Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - Accelerating Neural ODEs Using Model Order Reduction [0.0]
本稿では,ニューラルネットワークの圧縮と高速化に数学的モデルオーダー削減法が利用できることを示す。
我々は,ニューラルネットワークの層として必要な部分空間投影と操作を統合するニューラルODEを開発することで,新しい圧縮手法を実装した。
論文 参考訳（メタデータ） (2021-05-28T19:27:09Z) - Neural ODE Processes [64.10282200111983]
NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。
我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
論文 参考訳（メタデータ） (2021-03-23T09:32:06Z) - Stochasticity in Neural ODEs: An Empirical Study [68.8204255655161]
ニューラルネットワークの正規化(ドロップアウトなど)は、より高度な一般化を可能にするディープラーニングの広範な技術である。
トレーニング中のデータ拡張は、同じモデルの決定論的およびバージョンの両方のパフォーマンスを向上させることを示す。
しかし、データ拡張によって得られる改善により、経験的正規化の利得は完全に排除され、ニューラルODEとニューラルSDEの性能は無視される。
論文 参考訳（メタデータ） (2020-02-22T22:12:56Z)
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。