論文の概要: Extracting Governing Equations from Latent Dynamics via Multi-View Contrastive Learning
- arxiv url: http://arxiv.org/abs/2606.13260v1
- Date: Thu, 11 Jun 2026 12:16:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-12 15:55:27.781677
- Title: Extracting Governing Equations from Latent Dynamics via Multi-View Contrastive Learning
- Title（参考訳）: マルチビューコントラスト学習による潜在ダイナミクスからのゴバニング方程式の抽出
- Authors: Paolo Muratore, Mackenzie Weygandt Mathis,
- Abstract要約: 本稿では,複数視点の時間的コントラスト学習アルゴリズムであるDYSCOについて述べる。
我々は,アフィン不確定性への強い識別を理論的に保証し,事前識別可能性の結果をノイズ非線形観測の現実的な設定にまで拡張する。
- 参考スコア（独自算出の注目度）: 1.9754011041953696
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Identifying latent dynamical systems from noisy, high-dimensional measurements is a central problem at the intersection of representation learning, system identification, and scientific discovery. We present DYSCO, a multi-view temporal contrastive learning algorithm that jointly recovers latent trajectories and the governing dynamics from such observations, by leveraging multiple independent noisy views of the same underlying process to disentangle signal from noise. By parameterizing the dynamics in a structured functional basis, our framework further enables symbolic recovery of the governing equations within an affine gauge. We offer theoretical guarantees for strong identification up to an affine indeterminacy, extending prior identifiability results to the realistic setting of noisy nonlinear observations. Empirically, we demonstrate accurate recovery of both latent trajectories and flow fields across a diverse set of dynamical regimes (e.g., chaotic, oscillatory, and metastable) under both Gaussian and Poisson observation noise, the latter being particularly relevant for neural recordings.
- Abstract（参考訳）: ノイズの多い高次元計測から潜在力学系を同定することは、表現学習、システム同定、科学的発見の共通点における中心的な問題である。
DYSCOは、同一プロセスの複数の独立ノイズビューを利用して、遅延軌跡と制御ダイナミクスを協調的に回復し、ノイズから信号を切り離す多視点時間的コントラスト学習アルゴリズムである。
構造的機能ベースで力学をパラメータ化することにより,アフィンゲージ内での制御方程式のシンボリックリカバリを可能にした。
我々は,アフィン不確定性への強い識別を理論的に保証し,事前識別可能性の結果をノイズ非線形観測の現実的な設定にまで拡張する。
実験的に,ガウス系とポアソン系の両方の観測ノイズの下で,多種多様な力学系(例えば,カオス,振動,準安定)をまたいだ潜在軌道と流れ場の正確な回復を実証した。
関連論文リスト
- A machine learning framework for uncovering stochastic nonlinear dynamics from noisy data [35.634572760830764]
ノイズはシステムパラメータの推測に影響を与え、データからダイナミクスを無視する。
我々は,システムパラメータの不確実性を同時に推論しながら,支配方程式の記号形式を復元するハイブリッドな記号的回帰確率型機械学習フレームワークを開発した。
このフレームワークはデータ効率が良く、100～1000個のデータポイントしか必要とせず、ノイズに強い。
論文 参考訳（メタデータ） (2026-04-07T16:59:40Z) - KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra [65.11254608352982]
生成元をベースとしたニューラル・クープマン・フレームワークを導入し,構造的かつ状態に依存したクープマン・ジェネレータの表現を通じて動的にモデル化する。
固有のカルテス分解をスキュー結合および自己結合成分に利用することにより、KoopGenは可逆的な散逸から保守的な輸送を分離する。
論文 参考訳（メタデータ） (2026-02-15T06:32:23Z) - Physics-Guided Dual Implicit Neural Representations for Source Separation [70.38762322922211]
我々は,2つの暗黙的ニューラル表現フレームワークを用いて,ソース分離のための自己教師型機械学習手法を開発した。
本手法は,復元に基づく損失関数の最小化により,生データから直接学習する。
本手法は,様々な領域にまたがるソース分離問題に対処する汎用的なフレームワークを提供する。
論文 参考訳（メタデータ） (2025-07-07T17:56:31Z) - Generative System Dynamics in Recurrent Neural Networks [56.958984970518564]
リカレントニューラルネットワーク(RNN)の連続時間ダイナミクスについて検討する。
線形および非線形構成の両方において安定な極限サイクルを実現するためには,スキュー対称性の重み行列が基本であることを示す。
数値シミュレーションは、非線形活性化関数が極限周期を維持するだけでなく、システム統合プロセスの数値安定性を高めることを示す。
論文 参考訳（メタデータ） (2025-04-16T10:39:43Z) - Communities in the Kuramoto Model: Dynamics and Detection via Path Signatures [1.024113475677323]
本研究では,連続経路の幾何学的および時間的特性を符号化する数学的枠組みである経路シグネチャの利用を提案する。
本研究では,観測時系列から構造的コミュニティを正確に復元する,署名に基づく新しいコミュニティ検出アルゴリズムを提案する。
その結果,パスシグネチャは複雑なニューラルネットワークや他の高次元システムの解析において,新たな視点を提供することが示された。
論文 参考訳（メタデータ） (2025-03-21T21:41:48Z) - Stochastic action for the entanglement of a noisy monitored two-qubit
system [55.2480439325792]
局所的な一意雑音が局所的なモニタリングおよび量子間カップリングを受ける2ビット系の絡み合い進化に及ぼす影響について検討した。
チャンタスリ・ドルッセル・ヨルダン経路積分に雑音を組み込んでハミルトニアンを構築し、それを最適絡み合い力学の同定に利用する。
長時間定常エンタングルメントの数値解析により,コンカレンスと雑音強度の非単調な関係が明らかとなった。
論文 参考訳（メタデータ） (2024-03-13T11:14:10Z) - An Interventional Perspective on Identifiability in Gaussian LTI Systems
with Independent Component Analysis [44.892642197610215]
ガウス線形時間不変 (LTI) システムでは, 多様な干渉信号を導入することで, システムパラメータを同定できることが示されている。
隠れマルコフモデルと(ガウス) LTI 系が連続パラメータを持つコーサル・デ・フィネッティの定理を一般化することを示した。
論文 参考訳（メタデータ） (2023-11-29T19:51:35Z) - Learning invariant representations of time-homogeneous stochastic dynamical systems [27.127773672738535]
我々は,そのダイナミクスを忠実に捉えた状態の表現を学習する問題を研究する。
これは、転送演算子やシステムのジェネレータを学ぶのに役立ちます。
ニューラルネットワークに対する最適化問題として,優れた表現の探索が可能であることを示す。
論文 参考訳（メタデータ） (2023-07-19T11:32:24Z) - Spectral Decomposition Representation for Reinforcement Learning [100.0424588013549]
本稿では, スペクトル分解表現法(SPEDER)を提案する。この手法は, データ収集ポリシーに急激な依存を生じさせることなく, ダイナミックスから状態-作用の抽象化を抽出する。
理論的解析により、オンライン設定とオフライン設定の両方において提案アルゴリズムのサンプル効率が確立される。
実験により、いくつかのベンチマークで現在の最先端アルゴリズムよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-08-19T19:01:30Z) - Reconstructing a dynamical system and forecasting time series by
self-consistent deep learning [4.947248396489835]
ノイズの多い決定論的時系列に自己一貫性のあるディープラーニングフレームワークを導入する。
教師なしフィルタリング、状態空間再構成、基礎となる微分方程式の同定、予測を提供する。
論文 参考訳（メタデータ） (2021-08-04T06:10:58Z) - Variational Deep Learning for the Identification and Reconstruction of
Chaotic and Stochastic Dynamical Systems from Noisy and Partial Observations [15.82296284460491]
支配方程式の同定は、ノイズや部分的な観測を扱う際には依然として困難である。
提案するフレームワークでは,システムの真の状態を再構築するための推論モデルが学習される。
このフレームワークは、古典的なデータ同化と最先端の機械学習技術をブリッジする。
論文 参考訳（メタデータ） (2020-09-04T16:48:00Z)
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。