論文の概要: Learning Dissipative Dynamics with Dissipativity-by-Construction Discrete-Time Neural Networks
- arxiv url: http://arxiv.org/abs/2609.27188v1
- Date: Wed, 23 Sep 2026 00:49:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:17.81141
- Title: Learning Dissipative Dynamics with Dissipativity-by-Construction Discrete-Time Neural Networks
- Title（参考訳）: 離散離散時間ニューラルネットを用いた散逸ダイナミクスの学習
- Abstract要約: 分散性(dissipativity)は、安定性、通過性、入出力安定性に密接に関連する基本的なシステム理論の性質である。
散逸ダイナミクスを学習するための既存のアプローチのほとんどは、連続時間定式化に基づいている。
本研究では,直接離散時間で定式化された深層パーセプトロンを用いて,入力-出力時系列データから漸進的に散逸ダイナミクスを学習する手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dissipativity is a fundamental system-theoretic property closely related to stability, passivity, and input--output stability, and is particularly important in robotics, where learned dynamics models are often embedded within feedback control loops. However, most existing approaches for learning dissipative dynamics are based on continuous-time formulations, which require ODE solvers during training or inference and can therefore be computationally expensive. Moreover, because practical implementations are inherently discrete-time, direct discretization of a continuous-time passive system does not necessarily preserve passivity, motivating the need for explicit discrete-time guarantees. This study proposes a method for learning incrementally dissipative dynamics from input--output time-series data using a deep multilayer perceptron formulated directly in discrete time. Through a constrained parameterization and a dedicated training procedure, the proposed model guarantees incremental dissipativity by construction rather than through regularization. Lyapunov-based analysis establishes the corresponding dissipativity and stability guarantees, while simulations on robotic dynamical systems demonstrate competitive prediction accuracy, computational efficiency, and consistent preservation of incremental dissipativity compared with baseline methods.
- Abstract（参考訳）: 分散性は、安定性、通過性、入力出力安定性に密接に関連する基本的なシステム理論特性であり、特にロボット工学において、学習された力学モデルがフィードバック制御ループに埋め込まれることが重要である。
しかし、散逸力学を学習するための既存のほとんどのアプローチは、訓練や推論中にODEソルバを必要とする連続時間定式化に基づいているため、計算コストがかかる。
さらに、実践的な実装は本質的に離散時間であるため、連続時間受動的システムの直接的な離散化は必ずしもパスティビティを保たず、明示的な離散時間保証の必要性を動機付けている。
本研究では,直接離散時間で定式化された深層パーセプトロンを用いて,入力-出力時系列データから漸進的に散逸ダイナミクスを学習する手法を提案する。
制約パラメータ化と専用トレーニング手法により,本モデルでは正規化よりも建設による漸進的分散性を保証する。
リアプノフに基づく解析は、ロボット力学系のシミュレーションは、基本法と比較して、競合予測精度、計算効率、漸進的拡散率の持続的な保存を実証する一方で、対応する分散性と安定性の保証を確立する。
関連論文リスト
- Data-driven discrete-time deep recurrent neural network-based modeling for dissipative systems [0.0]
本稿では,ディシパティビティを明示的に強制するディープ離散時間散逸型リカレントニューラルネットワーク(DissipNet)を提案する。
構築により、提案ネットワークは、その固有の安定性を保ちながら、散逸ダイナミクスを学習することができる。
論文 参考訳（メタデータ） (2026-09-23T00:48:12Z) - Koopman Autoencoders with Continuous-Time Latent Dynamics for Fluid Dynamics Forecasting [17.98687936773676]
数値積分スキームによる潜伏進化をモデル化する連続時間クープマンフレームワークを導入する。
推論における可変時間ステップを許容することにより、時間分解能に対する堅牢性を示し、訓練体制を超えて一般化する。
従来のCFDベンチマークのアプローチを評価し,精度,安定性,外挿特性について報告する。
論文 参考訳（メタデータ） (2026-02-02T21:33:07Z) - 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) - Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。
科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
論文 参考訳（メタデータ） (2025-03-02T16:10:32Z) - Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。
我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。
当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文 参考訳（メタデータ） (2024-11-04T11:09:58Z) - Amortized Control of Continuous State Space Feynman-Kac Model for Irregular Time Series [14.400596021890863]
医療、気候、経済などの現実世界のデータセットは、しばしば不規則な時系列として収集される。
本稿では,連続状態空間モデル (ACSSM) を時系列の連続的動的モデリングに用いるためのアモータイズ制御を提案する。
論文 参考訳（メタデータ） (2024-10-08T01:27:46Z) - Accelerated Continuous-Time Approximate Dynamic Programming via
Data-Assisted Hybrid Control [0.0]
本研究では,アクター・クリティックな構造に動的運動量を組み込んだアルゴリズムを導入し,アフィン構造を入力とする連続時間動植物を制御する。
アルゴリズムに動的運動量を導入することにより、閉ループ系の収束特性を加速することができる。
論文 参考訳（メタデータ） (2022-04-27T05:36:51Z) - Assessment of DeepONet for reliability analysis of stochastic nonlinear
dynamical systems [4.301367153728694]
本稿では,最近提案したDeepONetが負荷を受けるシステムの時間依存信頼性解析および不確実性定量化における有効性について検討する。
従来の機械学習やディープラーニングアルゴリズムとは異なり、DeepONetはオペレータネットワークであり、関数マッピングの関数を学ぶ。
論文 参考訳（メタデータ） (2022-01-31T11:41:08Z) - Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。
状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。
時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
論文 参考訳（メタデータ） (2021-10-26T17:35:21Z) - Training Generative Adversarial Networks by Solving Ordinary
Differential Equations [54.23691425062034]
GANトレーニングによって引き起こされる連続時間ダイナミクスについて検討する。
この観点から、GANのトレーニングにおける不安定性は積分誤差から生じると仮定する。
本研究では,有名なODEソルバ(Runge-Kutta など)がトレーニングを安定化できるかどうかを実験的に検証する。
論文 参考訳（メタデータ） (2020-10-28T15:23:49Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z)
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。