論文の概要: Identifying ODEs from Unstructured Data with Causal Representation Learning

• arxiv url: http://arxiv.org/abs/2609.37083v1
• Date: Tue, 29 Sep 2026 09:14:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.355585
• Title: Identifying ODEs from Unstructured Data with Causal Representation Learning
• Title（参考訳）: 因果表現学習による非構造データからのODEの同定
• Abstract要約: SParse Equivalent Equation Discovery AutoEncoder (SPEED-AE)を紹介する。 我々は,SPEED-AEがCRL法の絡み合いを改善し,基底真理に最も近いODEを復元することを示す。 Lotka-Volterra, Lorenz, and a two-penulumd system の実験により、SPEED-AE は CRL 法の絡み合いを改善し、基底真理に最も近いODE を復元することを示した。
• 参考スコア（独自算出の注目度）: 61.940505346185546
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the problem of recovering the governing ODE of a dynamical system from unstructured, high-dimensional observations such as images. Existing methods for ODE discovery typically assume direct measurements of the variables, or do not provide theoretical guarantees on the learned variables and equations. While Causal Representation Learning (CRL) methods provide guarantees on identifying variables from high-dimensional observations up to component-wise diffeomorphisms, we show that in general these variables cannot be used directly as input to equation discovery methods, which typically assume that the variables will lead to sparse equations. So we introduce SParse Equivalent Equation Discovery AutoEncoder (SPEED-AE), a framework that combines a pretrained CRL method with a component-wise autoencoder that learns transformations of variables that are amenable to sparse ODE discovery. We show that for polynomial ODEs, this additional step allows us to restrict the identifiability of each variable from polynomial to monomial diffeomorphisms. Experiments on Lotka-Volterra, Lorenz, and a two-pendulum system show that SPEED-AE improves on the disentanglement of the CRL methods and that it recovers ODEs that are closest to the ground truth, while achieving state-of-the-art forecasting performance.
• Abstract（参考訳）: 本研究では,画像などの非構造的,高次元的な観測から動的システムのガバナンスODEを復元する問題について検討する。 既存のODE発見法は通常、変数の直接測定を前提とするか、学習した変数や方程式に関する理論的保証を提供しない。 因果表現学習(CRL)法は高次元観察から成分微分同相まで変数を同定する保証を提供するが、一般にこれらの変数は方程式発見法への入力として直接使用することはできない。 そこでSParse Equivalent Equation Discovery AutoEncoder (SPEED-AE)を紹介した。これは、事前訓練されたCRLメソッドとコンポーネントワイドなオートエンコーダを組み合わせたフレームワークで、sparse ODE発見に適する変数の変換を学習する。 多項式 ODE に対して、この追加ステップにより、各変数の多項式から単項微分同相写像への識別性を制限することができることを示す。 Lotka-Volterra, Lorenz, and a two-pendulum system の実験により, SPEED-AE は CRL 法の絡み合いを改善し, 基礎となる真理に最も近いODE を復元し, 最先端の予測性能を実現した。

関連論文リスト

• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• SODAs: Sparse Optimization for the Discovery of Differential and Algebraic Equations [0.0]
  Sparse Optimization for Differential-Algebraic Systems (SODAs) について紹介する。 SODAは、DAEを明示的な形で識別するためのデータ駆動方式である。 シミュレーションされた時系列データと実時間実験データの両方において、ノイズに対する頑健性を示す。
  論文  参考訳（メタデータ） (2025-03-08T00:29:00Z)
• No Equations Needed: Learning System Dynamics Without Relying on Closed-Form ODEs [56.78271181959529]
  本稿では,従来の2段階モデリングプロセスから離れることで,低次元力学系をモデル化する概念シフトを提案する。 最初に閉形式方程式を発見して解析する代わりに、我々のアプローチ、直接意味モデリングは力学系の意味表現を予測する。 私たちのアプローチは、モデリングパイプラインを単純化するだけでなく、結果のモデルの透明性と柔軟性も向上します。
  論文  参考訳（メタデータ） (2025-01-30T18:36:48Z)
• Path-minimizing Latent ODEs for improved extrapolation and inference [0.0]
  潜在ODEモデルは動的システムの柔軟な記述を提供するが、外挿と複雑な非線形力学の予測に苦労することがある。 本稿では、時間に依存しない潜在表現を奨励することで、この二分法を利用する。 遅延空間における一般的な変分ペナルティを各システムのパス長の$ell$ペナルティに置き換えることで、モデルは異なる構成のシステムと容易に区別できるデータ表現を学ぶ。 これにより、GRU、RNN、LSTM/デコーダによるベースラインODEモデルと比較して、より高速なトレーニング、より小さなモデル、より正確で長時間の外挿が可能となる。
  論文  参考訳（メタデータ） (2024-10-11T15:50:01Z)
• Deep Generative Symbolic Regression [83.04219479605801]
  記号回帰は、データから簡潔な閉形式数学的方程式を発見することを目的としている。 既存の手法は、探索から強化学習まで、入力変数の数に応じてスケールできない。 本稿では,我々のフレームワークであるDeep Generative Symbolic Regressionのインスタンス化を提案する。
  論文  参考訳（メタデータ） (2023-12-30T17:05:31Z)
• ODE-based Recurrent Model-free Reinforcement Learning for POMDPs [15.030970899252601]
  我々は,POMDPを解くために,新しいODEベースのリカレントモデルとモデルレス強化学習フレームワークを組み合わせる。 様々なPO連続制御タスクとメタRLタスクにまたがる手法の有効性を実験的に実証した。 提案手法は,不規則にサンプリングされた時系列をモデル化するODEの能力のため,不規則な観測に対して頑健であることを示す。
  論文  参考訳（メタデータ） (2023-09-25T12:13:56Z)
• Discovering ordinary differential equations that govern time-series [65.07437364102931]
  本研究では, 1つの観測解の時系列データから, スカラー自律常微分方程式(ODE)を記号形式で復元するトランスフォーマーに基づくシーケンス・ツー・シーケンス・モデルを提案する。 提案手法は, 1回に一度, ODE の大規模な事前訓練を行った後, モデルのいくつかの前方通過において, 新たに観測された解の法則を推測することができる。
  論文  参考訳（メタデータ） (2022-11-05T07:07:58Z)
• Constraining Gaussian Processes to Systems of Linear Ordinary Differential Equations [5.33024001730262]
  LODE-GP は定数係数を持つ線形同次ODEの系に従う。 複数の実験においてLODE-GPの有効性を示す。
  論文  参考訳（メタデータ） (2022-08-26T09:16:53Z)

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。

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。