論文の概要: RTS Smoother-Guided Learning of Physics-Based Neural Differential Models

• arxiv url: http://arxiv.org/abs/2607.15180v1
• Date: Thu, 16 Jul 2026 16:34:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.176813
• Title: RTS Smoother-Guided Learning of Physics-Based Neural Differential Models
• Title（参考訳）: RTS Smoother-Guided Learning of Physics-based Neural Differential Models
• Abstract要約: 本稿では、ODEの既知のコンポーネントを明示的に保持し、欠落したコンポーネントをニューラルネットワークで表現するハイブリッドニューラルネットワーク物理フレームワークを提案する。 本研究では, 線形, 非線形, 剛性にまたがるベンチマークシステムにおいて, 部分状態観察による評価を行った。
• 参考スコア（独自算出の注目度）: 12.997240287701798
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ordinary differential equations (ODEs) are widely used to model dynamical systems in physics, biology, neuroscience, and physiology, but in many applications some equations of the dynamics are unknown and only a subset of the state variables are measured. We propose a hybrid neural--physics framework in which the known components of the ODE are kept explicit and the missing components are represented by a neural network. The proposed method consists of two stages where we alternate between state and parameter estimation and iterate until a predetermined criterion is met. Specifically, in the first step, we treat the model parameters as being known and we infer the latent states from the available measurements using a Rauch--Tung--Striebel (RTS) smoother. In the second stage, we treat the smoothed trajectories as being known and use them to estimate the neural networks' parameters through backpropagation. We evaluate the method on benchmark systems spanning linear, nonlinear, and stiff dynamics under partial state observation. Across these settings, the proposed method learns missing ODE components from incomplete measurements while exploiting and retaining interpretable mechanistic structure and improving latent-state reconstruction and long-horizon prediction.
• Abstract（参考訳）: 通常の微分方程式(ODE)は物理学、生物学、神経科学、生理学の力学系をモデル化するために広く用いられているが、多くの応用において力学の方程式は未知であり、状態変数のサブセットのみが測定されている。 本稿では,ORの既知成分を明示的に保持し,欠落成分をニューラルネットワークで表現するハイブリッドニューラルネットワークフレームワークを提案する。提案手法は,状態推定とパラメータ推定を交互に行い,所定の基準を満たすまで反復する2段階からなる。第1段階として,モデルパラメータを既知のものとして扱い,Rauch-Tung-Striebel(RTS)スムーズな測定値から潜伏状態を推定する。 第2段階では、滑らかな軌跡を既知のものとして扱い、バックプロパゲーションを通じてニューラルネットワークのパラメータを推定する。 本研究では, 線形, 非線形, 剛性にまたがるベンチマークシステムにおいて, 部分状態観察による評価を行った。 提案手法は,非完全測定から不完全なODE成分を学習し,解釈可能な機械構造を活用・維持し,潜在状態再構成と長期予測を改善した。

関連論文リスト

• Neural Port-Hamiltonian Differential Algebraic Equations for Compositional Learning of Electrical Networks [21.117540483724603]
  結合力学系のための合成学習アルゴリズムを開発し,特に電気ネットワークに着目した。 我々は、ニューラルネットワークを用いて、ポート-ハミルトンDAEの微分および代数的成分のパラメータ化を行うニューラルポート-ハミルトン微分代数方程式(N-PHDAEs)を導入する。 提案したN-PHDAEモデルは,長期予測時地平線上でのベースラインN-ODEと比較して,予測精度と制約満足度を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2024-12-15T15:13:11Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Physics-informed Discovery of State Variables in Second-Order and Hamiltonian Systems [1.7406327893433848]
  本研究では, 2階ハミルトニアン系の物理特性を利用してベースラインモデルを制約する手法を提案する。 提案モデルでは,非冗長かつ解釈可能な状態変数の最小セットを特定することにより,ベースラインモデルよりも優れる。
  論文  参考訳（メタデータ） (2024-08-21T15:10:50Z)
• Modeling Latent Neural Dynamics with Gaussian Process Switching Linear Dynamical Systems [2.170477444239546]
  ガウス過程スイッチング線形力学系(gpSLDS)の2つの目的をバランスさせるアプローチを開発する。 我々の手法は、非線形力学をガウス過程(GP-SDE)で記述した微分方程式による潜在状態の進化をモデル化した以前の研究に基づいている。 本手法は, 離散状態境界近傍の力学における人工振動など, rSLDS の重要な限界を解消するとともに, 力学の後方不確かさを推定する。
  論文  参考訳（メタデータ） (2024-07-19T15:32:15Z)
• Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
  多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。 そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-04-27T17:42:24Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• 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)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• Neural Modal ODEs: Integrating Physics-based Modeling with Neural ODEs for Modeling High Dimensional Monitored Structures [9.065343126886093]
  本稿では、物理に基づくモデリングとディープラーニングを統合するためのフレームワーク、Neural Modal ODEを提案する。 オートエンコーダは、観測データの最初の数項目から潜伏変数の初期値までの抽象的なマッピングを学習する。 提案モデルの復号器は, 線形化部分に適用された固有解析から導出した固有モードを物理モデルに適用する。
  論文  参考訳（メタデータ） (2022-07-16T09:30:20Z)
• Cubature Kalman Filter Based Training of Hybrid Differential Equation Recurrent Neural Network Physiological Dynamic Models [13.637931956861758]
  ニューラルネットワーク近似を用いて、未知の常微分方程式を既知のODEで近似する方法を示す。 その結果、このRBSEによるNNパラメータのトレーニングは、バックプロパゲーションによるニューラルネットワークのトレーニングよりも優れた結果(測定/状態推定精度)が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-12T15:38:13Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)

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。