論文の概要: Identifiability Guarantees for Drivers and Dynamics of Delayed Physical Systems
- arxiv url: http://arxiv.org/abs/2609.37944v3
- Date: Thu, 01 Oct 2026 17:33:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.528952
- Title: Identifiability Guarantees for Drivers and Dynamics of Delayed Physical Systems
- Title（参考訳）: 遅延物理系のドライバの識別可能性保証とダイナミクス
- Abstract要約: 構造的ドライバと遅延微分方程式のドリフトを同定する理論基底法を開発した。
本手法は,運転者識別能力のベンチマークと,学習力学の物理的整合性を評価するための第2のベンチマークにおいて,他者よりも優れていた。
- 参考スコア（独自算出の注目度）: 0.8349203277398876
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A wide range of methods have been proposed, including physics-informed neural networks, which are powerful but do not guarantee identifiability of the dynamics, symbolic regression, which requires a set of precomputed operations, and causal discovery, which is more principled but usually relies on strong assumptions that physical systems may violate. In this work, we develop a theory-grounded method and prove that under a set of permissive assumptions, the structural drivers and drift of stochastic delayed differential equations are identifiable. Our method outperforms others on a benchmark for driver identifiability, and on a second benchmark to evaluate physical consistency of the learned dynamics.
- Abstract（参考訳）: 物理インフォームドニューラルネットワークは強力なが、力学の識別性は保証しない、記号回帰は事前計算された一連の操作を必要とする、因果発見はより原理的だが、通常は物理系が違反する可能性のある強い仮定に依存するなど、幅広い手法が提案されている。
本研究では,理論基底法を開発し,一組の許容仮定の下で,確率遅延微分方程式の構造的ドライバとドリフトが同定可能であることを証明した。
本手法は,運転者識別能力のベンチマークと,学習力学の物理的整合性を評価するための第2のベンチマークにおいて,他者よりも優れていた。
関連論文リスト
- Physics as the Inductive Bias for Causal Discovery [7.9653270330458446]
因果発見は、しばしば複雑な現実世界のシステムを分析するためのデータ駆動パラダイムである。
我々は,因果グラフ構造を利用してパラメータ推定を行うスケーラブルなスペーサ性誘導型MLEアルゴリズムを開発した。
論文 参考訳（メタデータ） (2026-02-03T23:42:01Z) - PRISM-Physics: Causal DAG-Based Process Evaluation for Physics Reasoning [57.868248683256574]
PRISM-Physicsはプロセスレベルの評価フレームワークであり、複雑な物理推論問題のベンチマークである。
解は公式の有向非巡回グラフ(DAG)として表される。
その結果,評価フレームワークは人的専門家のスコアと一致していることがわかった。
論文 参考訳（メタデータ） (2025-10-03T17:09:03Z) - Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。
本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
論文 参考訳（メタデータ） (2025-05-21T13:22:20Z) - Anomaly Detection in Complex Dynamical Systems: A Systematic Framework Using Embedding Theory and Physics-Inspired Consistency [0.0]
複雑な力学系における異常検出は、産業やサイバー物理のインフラにおける信頼性、安全性、効率を確保するために不可欠である。
本稿では,古典的な埋め込み理論と物理に着想を得た一貫性原理を基礎としたシステム理論による異常検出手法を提案する。
本研究は, 異常が安定系の力学を阻害する仮説を支持し, 異常検出のためのロバストな信号を提供する。
論文 参考訳（メタデータ） (2025-02-26T17:06:13Z) - Unified Causality Analysis Based on the Degrees of Freedom [1.2289361708127877]
本稿では,システム間の因果関係を同定する統一手法を提案する。
システムの自由度を分析することで、私たちのアプローチは因果的影響と隠れた共同設立者の両方についてより包括的な理解を提供する。
この統合されたフレームワークは、理論モデルとシミュレーションを通じて検証され、その堅牢性とより広範な応用の可能性を示す。
論文 参考訳（メタデータ） (2024-10-25T10:57:35Z) - One-shot backpropagation for multi-step prediction in physics-based
system identification -- EXTENDED VERSION [0.0]
本稿では,物理および構造的洞察を直接バックプロパゲーションに基づく学習アルゴリズムに反映する,力学系の同定のための物理に基づく枠組みを提案する。
得られたアルゴリズムを用いて, 宇宙デブリの未知の慣性行列を同定し, 推定パラメータの物理的付着を捉える手法の信頼性を示す。
論文 参考訳（メタデータ） (2023-10-31T15:56:17Z) - Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。
この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
論文 参考訳（メタデータ） (2020-11-18T18:52:08Z) - Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable
Dynamical Systems [74.80320120264459]
本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。
複素運動は安定な力学系のロールアウトとして符号化される。
このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
論文 参考訳（メタデータ） (2020-05-27T03:51:57Z)
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。