論文の概要: Information bottleneck for learning the phase space of dynamics from high-dimensional experimental data

• arxiv url: http://arxiv.org/abs/2604.24662v1
• Date: Mon, 27 Apr 2026 16:24:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:08.161868
• Title: Information bottleneck for learning the phase space of dynamics from high-dimensional experimental data
• Title（参考訳）: 高次元実験データからダイナミクスの位相空間を学習するための情報ボトルネック
• Authors: K. Michael Martini, Eslam Abdelaleem, Paarth Gulati, Ilya Nemenman,
• Abstract要約: 時系列データの低次元表現法としてDySIBを導入する。 我々はDySIBを、基礎となる状態空間が知られている振り子の実験的なビデオデータセットに適用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying the dynamical state variables of a system from high-dimensional observations is a central problem across physical sciences. The challenge is that the state variables are not directly observable and must be inferred from raw high-dimensional data without supervision. Here we introduce DySIB (Dynamical Symmetric Information Bottleneck) as a method to learn low-dimensional representations of time-series data by maximizing predictive mutual information between past and future observation windows while penalizing representation complexity. This objective operates entirely in latent space and avoids reconstruction of the observations. We apply DySIB to an experimental video dataset of a physical pendulum, where the underlying state space is known. The method, with hyperparameters of the learning architecture set self-consistently by the data, recovers a two-dimensional representation that matches the dimensionality, topology, and geometry of the pendulum phase space, with the learned coordinates aligning smoothly with the canonical angle and angular velocity. These results demonstrate, on a well-characterized experimental system, that predictive information in latent space can be used to recover interpretable dynamical coordinates directly from high-dimensional data.
• Abstract（参考訳）: 高次元観測からシステムの動的状態変数を同定することは、物理科学における中心的な問題である。 課題は、状態変数は直接観測可能ではなく、監督なしで生の高次元データから推論する必要があることである。 そこで,DySIB (Dynamical Symmetric Information Bottleneck) は,過去の観測窓と将来の観測窓の相互情報を最大化し,表現複雑性を計算し,時系列データの低次元表現を学習する手法である。 この目的は完全に潜在空間で機能し、観測の復元を避ける。 我々は、DySIBを物理振り子の実験的なビデオデータセットに適用し、基礎となる状態空間が知られている。 学習アーキテクチャのハイパーパラメータをデータで自己整合的に設定し、学習座標を標準角度と角速度と円滑に整合させて、振り子位相空間の次元、位相、幾何学と一致する2次元表現を復元する。 これらの結果は, 高精度な実験システムにおいて, 高次元データから直接解釈可能な動的座標を復元するために, 潜時空間の予測情報を利用できることを示した。

関連論文リスト

• Machine Learning for Scientific Visualization: Ensemble Data Analysis [0.0]
  この論文は、科学的可視化を改善するためのディープラーニング技術を探究している。 科学アンサンブルのための自動エンコーダ制御次元削減手法を提案する。 次に,表現力のある高品質フロー推定のための深層学習モデルFLINTを提案する。 最後に,ハイパーネットワークによる流れ場の推定とデータの補間を行うHyperFLINTを紹介する。
  論文  参考訳（メタデータ） (2025-11-28T15:45:54Z)
• Geometric Operator Learning with Optimal Transport [77.16909146519227]
  複素測地上での偏微分方程式(PDE)に対する演算子学習に最適輸送(OT)を統合することを提案する。 表面に焦点を当てた3次元シミュレーションでは、OTベースのニューラルオペレーターが表面形状を2次元パラメータ化潜在空間に埋め込む。 ShapeNet-Car と DrivAerNet-Car を用いたレイノルズ平均化 Navier-Stokes 方程式 (RANS) を用いた実験により,提案手法は精度の向上と計算コストの削減を図った。
  論文  参考訳（メタデータ） (2025-07-26T21:28:25Z)
• Follow the Energy, Find the Path: Riemannian Metrics from Energy-Based Models [63.331590876872944]
  本稿では,事前学習したエネルギーベースモデルから直接リーマン計量を導出する手法を提案する。 これらの測度は空間的に異なる距離を定義し、測地学の計算を可能にする。 EBM由来のメトリクスは、確立されたベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-05-23T12:18:08Z)
• Geometry-aware Active Learning of Spatiotemporal Dynamic Systems [4.251030047034566]
  本稿では,動的システムのモデリングのための幾何対応能動学習フレームワークを提案する。 データ収集のための空間的位置を戦略的に識別し、予測精度をさらに最大化する適応型能動学習戦略を開発した。
  論文  参考訳（メタデータ） (2025-04-26T19:56:38Z)
• Ultralow-dimensionality reduction for identifying critical transitions by spatial-temporal PCA [8.474631244771928]
  stPCAは、歪みのない単一の潜伏変数によって、高次元の時系列のダイナミクスを表現する。 この単一変数のダイナミクスは解析的に解決され、理論上は元の時系列の時間的特性を保っている。 実世界のデータセットへの応用は、stPCAの有効性を示した。
  論文  参考訳（メタデータ） (2025-01-22T02:09:52Z)
• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• Noisy Data Visualization using Functional Data Analysis [14.255424476694946]
  動的プロセスのための関数情報幾何 (FIG) と呼ばれる新しいデータ可視化手法を提案する。 提案手法は,可視化のために設計されたEIGの変種よりも優れていることを示す。 次に、脳波による睡眠活動の測定を可視化するために、我々の手法を使用します。
  論文  参考訳（メタデータ） (2024-06-05T15:53:25Z)
• Deep Kernel Learning of Dynamical Models from High-Dimensional Noisy Data [1.3750624267664155]
  このフレームワークは、高次元の測定結果を低次元状態変数に圧縮するエンコーダで構成されている。 提案モデルのトレーニングは,ラベル付きデータに頼らず,教師なしで実施される。 結果から,提案手法は実測値を効果的に認識し,コンパクトな状態表現と潜在力学モデルを学ぶことができることがわかった。
  論文  参考訳（メタデータ） (2022-08-27T09:47:44Z)
• Visualizing the Finer Cluster Structure of Large-Scale and High-Dimensional Data [7.400745342582259]
  一般化されたシグモイド関数を用いて高次元空間と低次元空間の距離類似性をモデル化する。 本研究では,シミュレーションと実世界の両方のデータセットを用いて,一様多様体の近似と投影に匹敵する可視化結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-17T01:36:45Z)

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。