論文の概要: Branched Signature Kernel Solvers for ODEs with rough Single-Trajectory signals

• arxiv url: http://arxiv.org/abs/2605.25826v1
• Date: Mon, 25 May 2026 13:22:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:20.133095
• Title: Branched Signature Kernel Solvers for ODEs with rough Single-Trajectory signals
• Title（参考訳）: 粗い単軌道信号を持つODEの分岐符号カーネル解法
• Authors: Munawar Ali, Qi Feng, Charlie Pyle, George Xu,
• Abstract要約: 単軌道で駆動される常微分方程式に対する分岐シグネチャカーネルソルバを開発する。 Emphcount-sampling構造は、単一の観察をN+1$ネストされたトレーニングパスの階層的なファミリーに変換する。 カーネル・コロケーション・フレームワークは、アンザッツを解の最高階微分または解自体に配置する。
• 参考スコア（独自算出の注目度）: 2.94985644773306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop a branched signature kernel solver for linear and nonlinear ordinary differential equations driven by a \emph{single observed trajectory} of a possibly rough forcing signal -- a setting that arises naturally in earthquake engineering, finance, biology, and structural health monitoring, where the forcing is observed exactly once and the solver must respect the underlying physical law without recourse to an ensemble of realizations. Two ingredients are new. First, a \emph{count-sampling} construction turns the single observation into a hierarchical family of $N+1$ nested training paths on which the branched signature kernel can be evaluated; this allows the signature kernel machinery, originally designed for multi-realization regression problems, to operate on a single-trajectory observation. Second, a kernel-collocation framework places the ansatz either on the highest-order derivative of the solution (with lower derivatives recovered by integrating the kernel) or on the solution itself (after $m$-fold integration of the ODE). We prove a universal approximation theorem for the branched signature kernel, leveraging the Hairer--Kelly morphism to express branched signature evaluations through geometric signatures of time-extended paths. The offline solver is extended to a streaming Test/Train/Retrain protocol with closed-form online updates in the linear case and scalar Newton steps in the nonlinear case. Numerical experiments on six benchmarks (El-Centro earthquake displacement, the Solow capital-stock model, an fBM-driven second-order ODE, a forced Duffing oscillator, a path-dependent Arias-intensity-degraded oscillator with variable coefficients, and a noisy Kuramoto phase-oscillator system) show that the branched signature-kernel solver delivers accurate, stable predictions across all regimes.
• Abstract（参考訳）: 我々は, 地震工学, 金融学, 生物学, 構造的健康モニタリングにおいて自然に発生する, 粗い強制信号の「emph{single observed trajectory}」によって駆動される線形非線形常微分方程式と非線形常微分方程式の分岐型シグネチャカーネルソルバを開発した。 2つの材料は新しいです。 まず、'emph{count-sampling} 構造は、単一観測を分岐されたシグネチャカーネルを評価可能な階層的な$N+1$のネストされたトレーニングパスに変換する。 第二に、カーネル・コロケーション・フレームワークは、解の最高階微分(カーネルを統合することで回収される低階微分)または解自体にアンザッツを配置する(ODEの$m$-fold積分の後)。 時間拡張パスの幾何学的シグネチャを通して分岐シグネチャ評価を表現するために、Hairer-Kelly型を利用した分岐シグネチャカーネルの普遍近似定理を証明した。 オフラインのソルバはストリーミングのTest/Train/Retrainプロトコルに拡張され、リニアケースではクローズドフォームのオンライン更新、非線形ケースではスカラーのNewtonステップで更新される。 6つのベンチマーク(El-Centro地震変位, Solow Capital-stockモデル, fBM駆動の2次ODE, 強制ダッフィング発振器, 経路依存性のアリアス・インテンシティ劣化発振器, ノイズの多い倉本位相発振器システム)の数値実験により, 分岐型シグネチャカーネルソルバが全政権にわたって正確で安定した予測を行うことを示した。

関連論文リスト

• Quantum Differential Equation Solver via Hybrid Oscillator-Qubit Linear Combination of Hamiltonian Simulations [7.438217717051814]
  我々は、ハミルトニアンシミュレーション(LCHS)の線形結合のハイブリッド振動子-量子ビット定式化を導入する。 キュービットのみのLCHSでは、二次規則を離散変数(DV)アンシラレジスタで表す代わりに、LCHSカーネルを連続変数アンシラモードで符号化する。 熱方程式ベンチマークでは、Law-Eberlyプロトコルは、少なくとも99.90%のエンドツーエンドのソリューション忠実性を達成する。
  論文  参考訳（メタデータ） (2026-05-11T15:20:35Z)
• Fidelity-informed neural pulse compilation of a continuous family of quantum gates with uncertainty-margin analysis [0.0]
  我々は,3量子状態核磁気共鳴(NMR)プロセッサ上で,単一量子ゲート群に対するニューラルパルスコンパイルフレームワークを開発した。 対象のユニタリを校正基底ゲート列に分解する代わりに、SU(2)演算において任意のUの軸角パラメータから直接写像を学習する。 一つのモデルが連続的なゲートパラメータにわたって一般化されることを数値的に示し、ベンチトップ3量子NMRデバイス上での代表パルスを実験的に検証する。
  論文  参考訳（メタデータ） (2026-04-13T11:17:18Z)
• On the Mechanism and Dynamics of Modular Addition: Fourier Features, Lottery Ticket, and Grokking [49.1352577985191]
  本稿では,2層ニューラルネットワークがモジュール追加タスクを解くために,機能をどのように学習するかを包括的に分析する。 我々の研究は、学習したモデルの完全な機械論的解釈と、その訓練力学の理論的説明を提供する。
  論文  参考訳（メタデータ） (2026-02-18T20:25:13Z)
• Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
  安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。 本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
  論文  参考訳（メタデータ） (2026-02-09T22:48:30Z)
• Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
  グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。 VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。 合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
  論文  参考訳（メタデータ） (2026-01-30T03:59:38Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Local Convergence of Gradient Descent-Ascent for Training Generative Adversarial Networks [20.362912591032636]
  本稿では,GANをカーネルベース判別器で訓練するための勾配降下度(GDA)の局所的ダイナミクスについて検討する。 システムがいつ収束するか、振動するか、あるいは分岐するかを示す相転移を示す。
  論文  参考訳（メタデータ） (2023-05-14T23:23:08Z)
• Towards Understanding Generalization via Decomposing Excess Risk Dynamics [13.4379473119565]
  一般化力学を解析してアルゴリズム依存境界(安定性など)を導出する。 ニューラルネットは、ノイズの嵌合時に緩やかな収束率を示すという観測から着想を得て、余剰リスクダイナミクスを分解することを提案する。 分解の枠組みの下では、新しい境界は安定性に基づく境界と一様収束境界よりも理論的および経験的証拠とよく一致している。
  論文  参考訳（メタデータ） (2021-06-11T03:42:45Z)
• Incorporating NODE with Pre-trained Neural Differential Operator for Learning Dynamics [73.77459272878025]
  ニューラル微分演算子(NDO)の事前学習による動的学習における教師付き信号の強化を提案する。 NDOは記号関数のクラスで事前訓練され、これらの関数の軌跡サンプルとそれらの導関数とのマッピングを学習する。 我々は,NDOの出力が,ライブラリの複雑さを適切に調整することで,基礎となる真理微分を適切に近似できることを理論的に保証する。
  論文  参考訳（メタデータ） (2021-06-08T08:04:47Z)

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。