Fugu-MT 論文翻訳(概要): Tensor-Train Weak SINDy: Identifying High-Dimensional Nonlinear Dynamics

論文の概要: Tensor-Train Weak SINDy: Identifying High-Dimensional Nonlinear Dynamics

arxiv url: http://arxiv.org/abs/2609.09434v1
Date: Tue, 08 Sep 2026 20:35:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:08.814911
Title: Tensor-Train Weak SINDy: Identifying High-Dimensional Nonlinear Dynamics
Title（参考訳）: テンソルトレイン弱SINDy:高次元非線形ダイナミクスの同定
Abstract要約: TT-DyDyは,Multidimensional Approximation of Dynamics(MAN)法とWak Sparse Identification of Dynamics(WSINDy)法を組み合わせたものである。本手法は, 次元の呪いに悩まされることなく, 指数関数の指数的に増加する空間を探索できることを実証する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In recent years, weak-form methods have made significant advances in data-driven discovery of dynamical systems. However, in high-dimensional settings, current techniques can prove expensive in both computation and memory. In this work, we introduce TT-WSINDy, which combines techniques of the Multidimensional Approximation of Nonlinear Dynamics (MANDy) and Weak Sparse Identification of Nonlinear Dynamics (WSINDy) methods, implementing requisite computations in the tensor-train (TT) format. We demonstrate that this method is able to search an exponentially-growing space of candidate functions -- performing weak-form transformation, regression, and sparsification -- without suffering from the curse of dimensionality.
Abstract（参考訳）: 近年、弱い形式法は動的システムのデータ駆動による発見において大きな進歩を遂げている。しかし、高次元設定では、現在の手法は計算とメモリの両方で高価であることが証明できる。本研究では, 非線形ダイナミクスの多次元近似(MANDy)と非線形ダイナミクスのWeak Sparse Identification(WSINDy)の手法を組み合わせたTT-WSINDyを導入し, テンソルトレイン(TT)フォーマットで必要計算を実装した。本研究では, この手法が, 次元の呪いに悩まされることなく, 弱形式変換, 回帰, スパーシフィケーションを行う, 指数関数の指数関数空間を探索できることを実証する。

関連論文リスト

Disordered Dynamics in High Dimensions: Connections to Random Matrices and Machine Learning [52.26396748560348]
ランダム行列によって駆動される高次元力学系について概説する。機械学習理論における学習と一般化の単純なモデルへの応用に焦点を当てる。
論文参考訳（メタデータ） (2026-01-03T00:12:32Z)
Gradient Descent as a Perceptron Algorithm: Understanding Dynamics and Implicit Acceleration [67.12978375116599]
勾配降下(GD)のステップが一般化されたパーセプトロンアルゴリズムのステップに還元されることを示す。これは、ニューラルネットワークで観測される最適化力学と暗黙の加速現象を説明するのに役立つ。
論文参考訳（メタデータ） (2025-12-12T14:16:35Z)
Efficient Parametric SVD of Koopman Operator for Stochastic Dynamical Systems [51.54065545849027]
クープマン作用素は非線形力学系を解析するための原理的なフレームワークを提供する。 VAMPnet と DPNet はクープマン作用素の主特異部分空間を学ぶために提案されている。我々は、クープマン作用素のトップ$kの特異関数を学ぶためのスケーラブルで概念的にシンプルな方法を提案する。
論文参考訳（メタデータ） (2025-07-09T18:55:48Z)
Random Matrix Theory for Deep Learning: Beyond Eigenvalues of Linear Models [51.85815025140659]
現代の機械学習(ML)とディープニューラルネットワーク(DNN)は高次元のデータを扱うことが多い。特に、データ次元、サンプルサイズ、モデルパラメータの数がすべて大きな比例規則は、新しく、時には直感に反する振る舞いを引き起こす。本稿では、線形モデルの固有値に基づく解析を超えて従来のランダム行列理論(RMT)を拡張し、非線形MLモデルによる課題に対処する。
論文参考訳（メタデータ） (2025-06-16T06:54:08Z)
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)
Nonlinear denoising score matching for enhanced learning of structured distributions [12.428200977408817]
非線形ドリフトに一般化することで、追加構造を力学に組み込むことができる。本手法は,データセットに生じる構造を柔軟に組み込むことで,より少ないデータでスコアベースの生成モデルを学習する。
論文参考訳（メタデータ） (2024-05-24T15:14:23Z)
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)
Stochastic Nonlinear Control via Finite-dimensional Spectral Dynamic Embedding [20.43835169613882]
本稿では,非線形系の最適制御のためのスペクトルダイナミクス埋め込み制御(SDEC)を提案する。これはシステムの非線形力学によって誘導される無限次元の特徴表現を明らかにし、状態-作用値関数の線形表現を可能にする。実用的な実装では、この表現は有限次元のトランケーションを用いて近似される。
論文参考訳（メタデータ） (2023-04-08T04:23:46Z)
GD-VAEs: Geometric Dynamic Variational Autoencoders for Learning Nonlinear Dynamics and Dimension Reductions [0.0]
我々は、観測から非線形力学の同相表現を学習するためのデータ駆動手法を開発した。このアプローチは、一般多様体ラテント空間の力学の非線形状態空間モデルを学ぶ。パラメータ化されたPDEと物理における問題に動機付けられ, 縮小次元表現の学習タスクにおける手法の性能について検討した。
論文参考訳（メタデータ） (2022-06-10T15:23:23Z)
Non-linear manifold ROM with Convolutional Autoencoders and Reduced Over-Collocation method [0.0]
非アフィンパラメトリックな依存、非線形性、興味のモデルにおける対流支配的な規則は、ゆっくりとしたコルモゴロフ n-幅の崩壊をもたらす。我々は,Carlbergらによって導入された非線形多様体法を,オーバーコロケーションの削減とデコーダの教師/学生による学習により実現した。本研究では,2次元非線形保存法と2次元浅水モデルを用いて方法論を検証し,時間とともに動的に進化する純粋データ駆動型手法と長期記憶ネットワークとの比較を行った。
論文参考訳（メタデータ） (2022-03-01T11:16:50Z)
Dynamic Collective Intelligence Learning: Finding Efficient Sparse Model via Refined Gradients for Pruned Weights [31.68257673664519]
動的プルーニング法は, STE(Straight-Through-Estimator)を用いて, プルーニング重量の勾配を近似することにより, トレーニング中に多様なスペーサ性パターンを求める。我々は,2組の重みから2つの前方経路を形成することにより,刈り上げ重みを更新するための洗練された勾配を導入する。本稿では,両重み集合の集合的知性間の学習相乗効果を利用した新しい動的集団知能学習(DCIL)を提案する。
論文参考訳（メタデータ） (2021-09-10T04:41:17Z)
Learning Unstable Dynamics with One Minute of Data: A Differentiation-based Gaussian Process Approach [47.045588297201434]
ガウス過程の微分可能性を利用して、真の連続力学の状態依存線形化近似を作成する方法を示す。 9次元セグウェイのような不安定なシステムのシステムダイナミクスを反復的に学習することで、アプローチを検証する。
論文参考訳（メタデータ） (2021-03-08T05:08:47Z)
SINDy-PI: A Robust Algorithm for Parallel Implicit Sparse Identification of Nonlinear Dynamics [4.996878640124385]
我々は、暗黙的ダイナミクスと有理非線形性を識別するSINDyアルゴリズムの頑健な変種を開発する。提案手法は,従来の手法よりも数桁のノイズが強いことを示す。
論文参考訳（メタデータ） (2020-04-05T21:35:53Z)

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。