論文の概要: Meta-iLaD: Identifiable Latent Dynamics via Meta-Learning of Dynamics Environments
- arxiv url: http://arxiv.org/abs/2610.27180v1
- Date: Mon, 19 Oct 2026 19:12:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.478821
- Title: Meta-iLaD: Identifiable Latent Dynamics via Meta-Learning of Dynamics Environments
- Title（参考訳）: Meta-iLaD: 動的環境のメタラーニングによる潜在ダイナミクスの同定
- Abstract要約: メタ・iLaDは,動的環境を横断するメタラーニングによって実現された,新しい識別可能な潜在動的フレームワークである。
少数例の条件付けにより,配布外環境への一般化が可能であるという,強い実証的証拠を示す。
さらに、$mathbfz_t$, $mathbfc$, $mathcalF$を同時に識別可能であることを確認します。
- 参考スコア（独自算出の注目度）: 10.725491704452665
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning latent dynamics is central to assessing the current states and forecasting the future trajectories of high-dimensional time series. For locally-stationary latent dynamics $\mathcal{F}(\mathbf{z}_{<t}; \mathbf{c})$ with latent dynamics state $\mathbf{z}_t$ and environment variable $\mathbf{c}$, prior identifiability results have largely focused on $\mathbf{z}_t$ when conditioned on predefined label $u$ of dynamics environments. This leaves two limitations: reliance on predefined labels that hinder generalization to unseen environments, and a limited understanding of the identifiability of $\mathcal{F}$ and $\mathbf{c}$ which -- although offering important structural properties for the identifiability of $\mathbf{z}_t$ -- are learned jointly with $\mathbf{z}_t$. We address these limitations with Meta-iLaD, a novel identifiable latent dynamics framework attained by meta-learning across dynamics environments. Meta-iLaD introduces a novel conditional prior of $\mathbf{c}$, modeled as a feedforward meta-learner to rapidly extract $\mathbf{c}$ from few-shot examples. Meta-iLaD further establishes identifiability for $\mathbf{z}_t$, $\mathbf{c}$, and $\mathcal{F}$ simultaneously, for a general formulation of $\mathcal{F}(\mathbf{z}_{< t};\mathbf{c})$ without restricting the dimension of $\mathbf{c}$ or how it modulates $\mathcal{F}$. On synthetic and real data, we provide strong empirical evidence that 1) conditioning on few-shot examples enables generalization to out-of-distribution environments, and 2) identifiability for $\mathbf{c}$ and $\mathcal{F}$ is critical for accurate forecasting beyond reconstructing observed trajectories. Code is available at https://github.com/GoForIt-YYB/Meta-iLaD.
- Abstract（参考訳）: 潜在力学の学習は、現在の状態を評価し、高次元時系列の将来の軌跡を予測することの中心である。
局所定常潜在動力学 $\mathcal{F}(\mathbf{z}_{<t}; \mathbf{c})$ with latent dynamics state $\mathbf{z}_t$ and environment variable $\mathbf{c}$, pre identifiability results are mostly focus to $\mathbf{z}_t$ when conditioned on predefined label $u$ of dynamics environment。
これにより、未確認環境への一般化を妨げる事前定義されたラベルへの依存と、$\mathcal{F}$ と $\mathbf{c}$ の識別可能性に対する限定的な理解の2つの制限が残されるが、$\mathbf{z}_t$ の識別可能性に対する重要な構造的性質を提供するのは、$\mathbf{z}_t$ と共同で学習される。
この制限に対処するMeta-iLaDは、動的環境を横断するメタラーニングによって達成された、新しい識別可能な潜在動的フレームワークである。
Meta-iLaDは$\mathbf{c}$の前の新しい条件を導入し、フィードフォワードメタラーナーとしてモデル化され、いくつかの例から$\mathbf{c}$を迅速に抽出する。
Meta-iLaD はさらに $\mathbf{z}_t$, $\mathbf{c}$, $\mathcal{F}$ に対する識別可能性を確立し、$\mathcal{F}(\mathbf{z}_{< t};\mathbf{c})$ の一般的な定式化に対して $\mathbf{c}$ の次元や $\mathcal{F}$ の変調を制限しない。
合成データと実データについて、我々は強い経験的証拠を提供する。
1) 少数例の条件付けにより、アウト・オブ・ディストリビューション環境への一般化が可能となり、
2) $\mathbf{c}$ と $\mathcal{F}$ の同一性は、観測された軌道の再構成以外の正確な予測には不可欠である。
コードはhttps://github.com/GoForIt-YYB/Meta-iLaD.comで入手できる。
関連論文リスト
- Neural network learns low-dimensional polynomials with SGD near the information-theoretic limit [75.4661041626338]
単一インデックス対象関数 $f_*(boldsymbolx) = textstylesigma_*left(langleboldsymbolx,boldsymbolthetarangleright)$ の勾配勾配勾配学習問題について検討する。
SGDに基づくアルゴリズムにより最適化された2層ニューラルネットワークは、情報指数に支配されない複雑さで$f_*$を学習する。
論文 参考訳（メタデータ） (2024-06-03T17:56:58Z) - Provably learning a multi-head attention layer [55.2904547651831]
マルチヘッドアテンション層は、従来のフィードフォワードモデルとは分離したトランスフォーマーアーキテクチャの重要な構成要素の1つである。
本研究では,ランダムな例から多面的注意層を実証的に学習する研究を開始する。
最悪の場合、$m$に対する指数的依存は避けられないことを示す。
論文 参考訳（メタデータ） (2024-02-06T15:39:09Z) - Quantum Oblivious LWE Sampling and Insecurity of Standard Model Lattice-Based SNARKs [4.130591018565202]
Learning Errors With Errors(mathsfLWE$)問題は$(mathbfAmathbfs+mathbfe$)という形式の入力から$mathbfs$を見つけるように要求する
私たちは$mathsfLWE$の解決ではなく、インスタンスをサンプリングするタスクに注力しています。
我々の主な成果は、よく分散された$mathsfLWE$インスタンスをサンプリングする量子時間アルゴリズムである。
論文 参考訳（メタデータ） (2024-01-08T10:55:41Z) - An Over-parameterized Exponential Regression [18.57735939471469]
LLM(Large Language Models)の分野での最近の発展は、指数的アクティベーション関数の使用への関心を喚起している。
ニューラル関数 $F: mathbbRd times m times mathbbRd times mathbbRd times mathbbRd times mathbbRd times mathbbRd times mathbbRd times mathbbRd times mathbbRdd
論文 参考訳（メタデータ） (2023-03-29T07:29:07Z) - Statistical Learning under Heterogeneous Distribution Shift [71.8393170225794]
ground-truth predictor is additive $mathbbE[mathbfz mid mathbfx,mathbfy] = f_star(mathbfx) +g_star(mathbfy)$.
論文 参考訳（メタデータ） (2023-02-27T16:34:21Z) - Learning a Single Neuron with Adversarial Label Noise via Gradient
Descent [50.659479930171585]
モノトン活性化に対する $mathbfxmapstosigma(mathbfwcdotmathbfx)$ の関数について検討する。
学習者の目標は仮説ベクトル $mathbfw$ that $F(mathbbw)=C, epsilon$ を高い確率で出力することである。
論文 参考訳（メタデータ） (2022-06-17T17:55:43Z) - Spiked Covariance Estimation from Modulo-Reduced Measurements [14.569322713960494]
我々は、ほとんどの方向において$bfu$と$nu=mathrmpoly(k)$に対して、$n=mathrmpoly(k)$測定を用いて、高い精度で$bfu$を推定するアルゴリズムを開発し、分析する。
数値実験により,非漸近的条件下でも良好な性能が得られた。
論文 参考訳（メタデータ） (2021-10-04T02:10:47Z) - Agnostic Learning of a Single Neuron with Gradient Descent [92.7662890047311]
期待される正方形損失から、最も適合した単一ニューロンを学習することの問題点を考察する。
ReLUアクティベーションでは、我々の人口リスク保証は$O(mathsfOPT1/2)+epsilon$である。
ReLUアクティベーションでは、我々の人口リスク保証は$O(mathsfOPT1/2)+epsilon$である。
論文 参考訳（メタデータ） (2020-05-29T07:20:35Z) - Data-driven Efficient Solvers for Langevin Dynamics on Manifold in High
Dimensions [12.005576001523515]
多様体構造を持つ物理系のランゲヴィン力学を$mathcalMsubsetmathbbRp$で研究する。
我々は、多様体 $mathcalN$ 上の対応するフォッカー・プランク方程式を、反応座標 $mathsfy$ の観点から活用する。
このFokker-Planck方程式に対して、実装可能で、無条件で安定な、データ駆動有限体積スキームを提案する。
論文 参考訳（メタデータ） (2020-05-22T16:55:38Z)
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。