論文の概要: Neuro-Symbolic ODE Discovery with Latent Grammar Flow

• arxiv url: http://arxiv.org/abs/2604.16232v1
• Date: Fri, 17 Apr 2026 16:46:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:20.010547
• Title: Neuro-Symbolic ODE Discovery with Latent Grammar Flow
• Title（参考訳）: 潜時文法フローを用いたニューロシンボリックODEの発見
• Authors: Karin Yu, Eleni Chatzi, Georgios Kissas,
• Abstract要約: 本稿では,データから常微分方程式を発見するためのニューロシンボリックな生成フレームワークであるLatent Grammar Flow(LGF)を紹介する。 LGFは、方程式を文法に基づく表現として離散潜在空間に埋め込み、意味論的に類似した方程式を行動的損失とともにより近くに置くように強制する。
• 参考スコア（独自算出の注目度）: 2.798333177095192
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Understanding natural and engineered systems often relies on symbolic formulations, such as differential equations, which provide interpretability and transferability beyond black-box models. We introduce Latent Grammar Flow (LGF), a neuro-symbolic generative framework for discovering ordinary differential equations from data. LGF embeds equations as grammar-based representations into a discrete latent space and forces semantically similar equations to be positioned closer together with a behavioural loss. Then, a discrete flow model guides the sampling process to recursively generate candidate equations that best fit the observed data. Domain knowledge and constraints, such as stability, can be either embedded into the rules or used as conditional predictors.
• Abstract（参考訳）: 自然と工学的なシステムを理解することは、しばしば、ブラックボックスモデルを超えた解釈可能性と伝達性を提供する微分方程式のような記号的な定式化に依存する。 本稿では,データから常微分方程式を発見するためのニューロシンボリックな生成フレームワークであるLatent Grammar Flow(LGF)を紹介する。 LGFは、方程式を文法に基づく表現として離散潜在空間に埋め込み、意味論的に類似した方程式を行動的損失とともにより近くに置くように強制する。 そして、離散フローモデルによりサンプリングプロセスが導かれ、観測データに最も適合する候補方程式が再帰的に生成される。 安定性のようなドメインの知識や制約はルールに埋め込まれるか、条件付き予測器として使われる。

関連論文リスト

• 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)
• On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
  拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。 本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
  論文  参考訳（メタデータ） (2024-05-18T15:59:41Z)
• Learning Neural Differential Algebraic Equations via Operator Splitting [6.100037457394823]
  本稿では,DAEの未知成分を時系列データから学習するための演算子分割方式を提案する。 提案したOSベースのタイムステッピング方式は,関連するシステム理論データ駆動モデリングタスクに適していることを示す。
  論文  参考訳（メタデータ） (2024-03-19T17:43:57Z)
• Symmetry-regularized neural ordinary differential equations [0.0]
  本稿では,隠れ状態のダイナミクスとバック伝播のダイナミクスの両方において,Lie対称性を用いたニューラルODEの新たな保存関係を提案する。 これらの保存法則は、損失関数にさらなる正規化項として組み込まれ、モデルの物理的解釈可能性や一般化可能性を高める可能性がある。 これらの保存関係から新たな損失関数を構築し、典型的なモデリングタスクにおける対称性規則化ニューラル・オードの適用性を示す。
  論文  参考訳（メタデータ） (2023-11-28T09:27:44Z)
• Generalized Neural Closure Models with Interpretability [28.269731698116257]
  我々は、統合された神経部分遅延微分方程式の新規で汎用的な方法論を開発した。 マルコフ型および非マルコフ型ニューラルネットワーク(NN)の閉包パラメータ化を用いて, 偏微分方程式(PDE)における既存/低忠実度力学モデルを直接拡張する。 本研究では, 非線形波動, 衝撃波, 海洋酸性化モデルに基づく4つの実験セットを用いて, 新しい一般化ニューラルクロージャモデル(gnCMs)の枠組みを実証する。
  論文  参考訳（メタデータ） (2023-01-15T21:57:43Z)
• Discovering ordinary differential equations that govern time-series [65.07437364102931]
  本研究では, 1つの観測解の時系列データから, スカラー自律常微分方程式(ODE)を記号形式で復元するトランスフォーマーに基づくシーケンス・ツー・シーケンス・モデルを提案する。 提案手法は, 1回に一度, ODE の大規模な事前訓練を行った後, モデルのいくつかの前方通過において, 新たに観測された解の法則を推測することができる。
  論文  参考訳（メタデータ） (2022-11-05T07:07:58Z)
• Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
  通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。 理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。 本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
  論文  参考訳（メタデータ） (2022-10-12T06:46:38Z)
• Constrained Neural Ordinary Differential Equations with Stability Guarantees [1.1086440815804224]
  代数的非線形性を持つ離散常微分方程式をディープニューラルネットワークとしてモデル化する方法を示す。 我々は、重みの固有値に課される暗黙の制約に基づいて、ネットワーク層の安定性を保証する。 オープンループシミュレーションを用いて,学習したニューラルネットワークの予測精度を検証した。
  論文  参考訳（メタデータ） (2020-04-22T22:07:57Z)

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。