論文の概要: Learning effective models from network dynamics data with multiple initial conditions using weak form SINDy

• arxiv url: http://arxiv.org/abs/2605.30432v1
• Date: Thu, 28 May 2026 18:00:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.158863
• Title: Learning effective models from network dynamics data with multiple initial conditions using weak form SINDy
• Title（参考訳）: 弱形SINDyを用いた複数初期条件付きネットワークダイナミクスデータからの効果的なモデル学習
• Authors: Moyi Tian, Daniel A. Messenger, Vanja Dukic, Nancy Rodríguez, David M. Bortz,
• Abstract要約: 我々は、Wak Form Sparse Identification of Dynamicsを用いて、データから直接効果的なモデルを学ぶ方法を研究する。 ネットワーク上でのインタラクションプロセスの平均場近似モデルにより生成されたデータを用いて学習性能を評価する。 以上の結果から,より多くのトラジェクトリを用いることで,ノイズが高い場合の精度が向上するが,その利点を得るためには,少数のトラジェクトリのみが必要であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Social systems consist of networks of individuals who influence one another through social interactions. Studying how processes evolve on these networks can help us better understand patterns of social behavior. We study a system that couples online and offline social activity and investigate how to learn effective models directly from data using Weak Form Sparse Identification of Nonlinear Dynamics (WSINDy), a method for discovering governing equations. We assess learning performance using data generated by a mean-field approximation model of a stochastic interaction process on networks and test how accurately the system can be recovered under different noise levels. Our results show that using more trajectories improves accuracy when noise is high, but only a small number of additional trajectories is needed to gain most of the benefit, with little improvement beyond that. We also learn effective ODE models from averaged stochastic data on networks. When traditional mean-field approximations fail, identifying continuum ODEs directly from stochastic processes yields efficient models that better match the data and provide deeper insight into the underlying dynamics.
• Abstract（参考訳）: 社会システムは、社会的相互作用を通じて互いに影響を及ぼす個人のネットワークから構成される。 これらのネットワーク上でプロセスがどのように進化するかを研究することは、社会行動のパターンをよりよく理解するのに役立ちます。 本研究では、オンラインとオフラインのソーシャルアクティビティを結合するシステムについて検討し、非線形ダイナミクスの弱形式スパース同定(WSINDy)を用いてデータから直接効果的なモデルを学ぶ方法を検討する。 本研究では,ネットワーク上の確率的相互作用プロセスの平均場近似モデルにより生成されたデータを用いて学習性能を評価し,異なるノイズレベル下でシステムがどの程度正確に回復できるかを検証する。 以上の結果から,ノイズが高い場合のトラジェクトリの使用により精度が向上するが,ほとんどの利益を得るためには,少数のトラジェクトリしか必要としない。 また、ネットワーク上の平均確率データから有効なODEモデルも学習する。 従来の平均場近似が失敗すると、確率的プロセスから直接連続体ODEを識別すると、データによくマッチする効率的なモデルが得られ、基礎となるダイナミクスに関する深い洞察が得られます。

関連論文リスト

• Incorporating Coupling Knowledge into Echo State Networks for Learning Spatiotemporally Chaotic Dynamics [0.9831489366502302]
  物理誘導型クラスタリングエコー状態ネットワークを導入し、エコー状態ネットワークの効率をベースモデルとして活用する。 ESNモデルへの結合知識の活用は,学習条件や目標システム条件の変動に対して頑健性を高めることができることを数値的に示す。
  論文  参考訳（メタデータ） (2025-04-02T09:19:33Z)
• Transferable Post-training via Inverse Value Learning [83.75002867411263]
  別個のニューラルネットワーク(すなわち値ネットワーク)を用いた後学習におけるロジットレベルのモデリング変更を提案する。 このネットワークをデモを使って小さなベースモデルでトレーニングした後、推論中に他のトレーニング済みモデルとシームレスに統合することができる。 得られた値ネットワークは、パラメータサイズの異なる事前学習されたモデル間で広い転送性を有することを示す。
  論文  参考訳（メタデータ） (2024-10-28T13:48:43Z)
• A Robust SINDy Approach by Combining Neural Networks and an Integral Form [8.950469063443332]
  ノイズや不足データから支配方程式を発見するためのロバストな手法を提案する。 ニューラルネットワークを用いて、測定データに基づいて暗黙の表現を学習する。 自動微分ツールを用いて、SINDyに必要な微分情報を得る。
  論文  参考訳（メタデータ） (2023-09-13T10:50:04Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• Learning Dynamics from Noisy Measurements using Deep Learning with a Runge-Kutta Constraint [9.36739413306697]
  そこで本研究では,雑音と疎サンプルを用いた微分方程式の学習手法について論じる。 我々の方法論では、ディープニューラルネットワークと古典的な数値積分法の統合において、大きな革新が見られる。
  論文  参考訳（メタデータ） (2021-09-23T15:43:45Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Distributed Training of Deep Neural Network Acoustic Models for Automatic Speech Recognition [33.032361181388886]
  ASRのためのディープニューラルネットワーク音響モデルのための分散トレーニング手法の概要について述べる。 提案手法の収束, 高速化, 認識性能を調べるために, 一般のベンチマークで実験を行った。
  論文  参考訳（メタデータ） (2020-02-24T19:31:50Z)

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。