論文の概要: xFODE: An Explainable Fuzzy Additive ODE Framework for System Identification

• arxiv url: http://arxiv.org/abs/2604.14883v1
• Date: Thu, 16 Apr 2026 11:19:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.86482
• Title: xFODE: An Explainable Fuzzy Additive ODE Framework for System Identification
• Title（参考訳）: xFODE: システム識別のための説明可能なファジィ付加ODEフレームワーク
• Authors: Ertugrul Kececi, Tufan Kumbasar,
• Abstract要約: 本稿では,Deep Learning (DL) トレーニングを統合した解釈可能なSysIDフレームワークである Explainable FODE (xFODE) を提案する。 xFODEでは、状態に物理的な意味を与えるために、段階的に状態を定義する。 分割戦略 (PSs) が開発され, ファジィ付加モデルと説明可能性の訓練が可能となった。
• 参考スコア（独自算出の注目度）: 6.5745172279769255
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent advances in Deep Learning (DL) have strengthened data-driven System Identification (SysID), with Neural and Fuzzy Ordinary Differential Equation (NODE/FODE) models achieving high accuracy in nonlinear dynamic modeling. Yet, system states in these frameworks are often reconstructed without clear physical meaning, and input contributions to the state derivatives remain difficult to interpret. To address these limitations, we propose Explainable FODE (xFODE), an interpretable SysID framework with integrated DL-based training. In xFODE, we define states in an incremental form to provide them with physical meanings. We employ fuzzy additive models to approximate the state derivative, thereby enhancing interpretability per input. To provide further interpretability, Partitioning Strategies (PSs) are developed, enabling the training of fuzzy additive models with explainability. By structuring the antecedent space during training so that only two consecutive rules are activated for any given input, PSs not only yield lower complexity for local inference but also enhance the interpretability of the antecedent space. To train xFODE, we present a DL framework with parameterized membership function learning that supports end-to-end optimization. Across benchmark SysID datasets, xFODE matches the accuracy of NODE, FODE, and NLARX models while providing interpretable insights.
• Abstract（参考訳）: 近年のディープラーニング(DL)の進歩は,非線形動的モデリングにおいて高精度なニューラルおよびファジィ正規微分方程式(NODE/FODE)モデルを用いて,データ駆動型システム同定(SysID)を強化している。 しかし、これらのフレームワークのシステム状態はしばしば明確な物理的意味なしに再構築され、状態デリバティブへの入力コントリビューションは解釈が難しいままである。 これらの制約に対処するため、DLベースのトレーニングを統合した解釈可能なSysIDフレームワークであるExplainable FODE (xFODE)を提案する。 xFODEでは、状態に物理的な意味を与えるために、段階的に状態を定義する。 ファジィ加法モデルを用いて状態微分を近似し,入力毎の解釈可能性を向上させる。 さらに解釈可能性を高めるため、分割戦略(PS)を開発し、説明性のあるファジィ付加モデルのトレーニングを可能にする。 トレーニング中に先行空間を構造化することにより、任意の入力に対して2つの連続規則のみが活性化されるようにすることで、PSは局所推論の複雑さを低くするだけでなく、先行空間の解釈可能性を高める。 xFODE の学習には,エンドツーエンドの最適化をサポートするパラメータ化メンバシップ関数学習を用いた DL フレームワークを提案する。 SysIDデータセットのベンチマーク全体において、xFODEは、解釈可能な洞察を提供しながら、NODE、FODE、NLARXモデルの精度と一致する。

関連論文リスト

• xFODE+: Explainable Type-2 Fuzzy Additive ODEs for Uncertainty Quantification [6.5745172279769255]
  本稿では,解釈可能なSysIDモデルであるUQ (xFODE+) 用の Explainable Type-2 Fuzzy Additive ODE を紹介する。 xFODE+は、物理的に意味のあるインクリメンタル状態を維持しながら、ポイント予測と並行してPIを生成する。 ベンチマークSysIDデータセットの結果、xFODE+はPIの品質でFODEと一致し、同等の精度を実現している。
  論文  参考訳（メタデータ） (2026-04-16T11:16:34Z)
• Comparing Physics-Informed and Neural ODE Approaches for Modeling Nonlinear Biological Systems: A Case Study Based on the Morris-Lecar Model [0.0]
  本研究は,3つの標準分岐系におけるPINNとNODEの性能を系統的に評価する。 その結果, PINNは剛性や敏感な分岐を含むシナリオにおいて, 高い精度と堅牢性を達成する傾向が示唆された。
  論文  参考訳（メタデータ） (2026-03-27T18:53:53Z)
• KnowDiffuser: A Knowledge-Guided Diffusion Planner with LM Reasoning and Prior-Informed Trajectory Initialization [8.04458701181863]
  KnowDiffuserは知識誘導型モーションプランニングフレームワークである。 言語モデルの意味的理解と拡散モデルの生成力を統合する。 これは、オープンループとクローズループの両方の評価において、既存のプランナーを著しく上回っている。
  論文  参考訳（メタデータ） (2026-03-11T05:45:29Z)
• Towards Foundation Inference Models that Learn ODEs In-Context [3.4253416336476246]
  FIM-ODE(Foundation Inference Model for ODEs, FIM-ODE)を導入する。 合成データに基づいてトレーニングされたこのモデルは、フレキシブルなニューラル演算子を使用して、破損したデータからでも堅牢なODE推論を行う。 実験により,FIM-ODEが精度の高い推定値を提供し,その推定ベクトル場の構造を定性的に比較した。
  論文  参考訳（メタデータ） (2025-10-14T15:44:54Z)
• No Equations Needed: Learning System Dynamics Without Relying on Closed-Form ODEs [56.78271181959529]
  本稿では,従来の2段階モデリングプロセスから離れることで,低次元力学系をモデル化する概念シフトを提案する。 最初に閉形式方程式を発見して解析する代わりに、我々のアプローチ、直接意味モデリングは力学系の意味表現を予測する。 私たちのアプローチは、モデリングパイプラインを単純化するだけでなく、結果のモデルの透明性と柔軟性も向上します。
  論文  参考訳（メタデータ） (2025-01-30T18:36:48Z)
• Distributional Inclusion Hypothesis and Quantifications: Probing for Hypernymy in Functional Distributional Semantics [50.363809539842386]
  関数分布意味論(FDS)は、真理条件関数による単語の意味をモデル化する。 FDSモデルは分布包含仮説(DIH)に厳格に従う制限されたコーパスのクラスでハイパーネミーを学ぶことを示す。
  論文  参考訳（メタデータ） (2023-09-15T11:28:52Z)
• Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
  多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。 そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-04-27T17:42:24Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)

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。