論文の概要: A Robust SINDy Autoencoder for Noisy Dynamical System Identification

• arxiv url: http://arxiv.org/abs/2604.04829v1
• Date: Mon, 06 Apr 2026 16:30:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.284006
• Title: A Robust SINDy Autoencoder for Noisy Dynamical System Identification
• Title（参考訳）: 雑音動的システム同定のためのロバストSINDYオートエンコーダ
• Authors: Kairui Ding,
• Abstract要約: 非線形力学(SINDy)のスパース同定は、データから力学系の支配方程式を発見するために広く用いられている。 最近のSINDyオートエンコーダは、スパースモデル発見とオートエンコーダアーキテクチャを組み合わせることで、このアイデアを拡張している。 ノイズ分離ニューラルネットワーク構造に着想を得て、ノイズ分離モジュールをSINDyオートエンコーダアーキテクチャに組み込む。
• 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: Sparse identification of nonlinear dynamics (SINDy) has been widely used to discover the governing equations of a dynamical system from data. It uses sparse regression techniques to identify parsimonious models of unknown systems from a library of candidate functions. Therefore, it relies on the assumption that the dynamics are sparsely represented in the coordinate system used. To address this limitation, one seeks a coordinate transformation that provides reduced coordinates capable of reconstructing the original system. Recently, SINDy autoencoders have extended this idea by combining sparse model discovery with autoencoder architectures to learn simplified latent coordinates together with parsimonious governing equations. A central challenge in this framework is robustness to measurement error. Inspired by noise-separating neural network structures, we incorporate a noise-separation module into the SINDy autoencoder architecture, thereby improving robustness and enabling more reliable identification of noisy dynamical systems. Numerical experiments on the Lorenz system show that the proposed method recovers interpretable latent dynamics and accurately estimates the measurement noise from noisy observations.
• Abstract（参考訳）: 非線形力学(SINDy)のスパース同定は、データから力学系の支配方程式を発見するために広く用いられている。 スパース回帰法を用いて、未知系の擬似モデルを候補関数のライブラリーから同定する。 したがって、力学が使われる座標系で疎らに表されるという仮定に依拠する。 この制限に対処するために、元のシステムを再構築可能な縮小座標を提供する座標変換を求める。 近年、SINDyオートエンコーダはスパースモデル発見とオートエンコーダアーキテクチャを組み合わせて、単純化された潜在座標と擬似的な支配方程式を学習することで、このアイデアを拡張している。 このフレームワークの主な課題は、測定エラーに対する堅牢性である。 ノイズ分離型ニューラルネットワーク構造に着想を得て、ノイズ分離モジュールをSINDyオートエンコーダアーキテクチャに組み込み、ロバスト性を改善し、ノイズの動的システムのより信頼性の高い識別を可能にする。 ロレンツシステムの数値実験により,提案手法は解釈可能な潜時力学を復元し,ノイズ観測から測定ノイズを正確に推定することを示した。

関連論文リスト

• 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)
• Denoising and Reconstruction of Nonlinear Dynamics using Truncated Reservoir Computing [0.0]
  本稿では,ノイズフィルタリングと非線形力学の再構成のための新しいReservoir Computing(RC)法を提案する。 動的パラメータにおける雑音強度, 雑音周波数, および劇的なシフトの観点から, RCの性能について検討した。 このフレームワークは低信号対雑音比と高周波範囲で競合精度を得る。
  論文  参考訳（メタデータ） (2025-04-17T21:47:13Z)
• 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)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• 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)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)
• Universal set of Observables for Forecasting Physical Systems through Causal Embedding [0.0]
  我々は、基底となる力学系や観測の左無限軌道全体が、異なる空間にある一対の要素によって一意に表現できる時と方法を示す。 そのようなペアの集まりは、駆動力学系から派生したもので、駆動系と共に関数を学ぶために用いられる: (つまり、トポロジカルに基底系に共役する系を決定する。
  論文  参考訳（メタデータ） (2021-05-22T16:28:57Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)

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。