Nov, 2021

从多模态时间序列中重建非线性动力系统

PDF
TL;DR提出了一种基于动态可解释循环神经网络的通用框架，用于多模态数据的非线性 DS 重建和跨模态关系分析。该算法能够通过利用其他信道来弥补单个数据通道中过度嘈杂或缺失的信息，并演示了该算法如何学习将不同数据域链接到潜在动力学。
latent dsmulti-modal data integrationnonlinear ds reconstructionrecurrent neural networksvariational inference algorithm
发现论文，激发创造
  • 多模态教师强制机制用于非线性动力系统重构

    本文利用多模态变分自动编码器、稀疏教师强制和循环神经网络，从不同的时间序列数据模态中，重建出非线性动力系统的基本特性（data-generating DS），并实现了较好的效果。

    Dec, 2022

  • 从多模态时间序列数据中学习序列潜变量模型

    本论文提出了一种自监督生成建模框架，用于联合学习多模态数据的概率潜在状态表示和相应的动态，并且该方法在机器人学方面有显著的预测和表示质量改进。

    Apr, 2022

  • 基于多步神经网络的非线性动力系统数据驱动发现

    这篇论文提出了一种利用深度神经网络和数值分析相结合的机器学习方法，用于从数据中识别非线性动态系统，以此预测未来状态和识别吸引基。在多个基准问题中，论文证明了该方法的有效性，包括学习洛仑兹系统、圆柱背后的流体动力学、Hopf 分岔和糖酵解振荡器模型。

    Jan, 2018

  • 探索利用模态分解的混合方法比全深度学习模型更有效的流体动力学预测

    本研究通过应用时间序列预测到流体动力学问题中，测试了基于深度学习的三种自回归模型，其中一个是与深度学习相结合的混合模型。研究发现，混合模型在具有湍流特性的实验数据中产生更可靠的预测，因为它借助模态分解从物理学角度提取了物理特征，从而实现了对流体动力学的预测。

    Apr, 2024

  • 利用生成循环神经网络识别非线性动力系统及其在 fMRI 中的应用

    本研究提出了一种基于状态空间模型的计算动力学分析方法，结合 PLRNN 和 fMRI 等神经成像数据，可以深入分析神经系统的非线性动力学特征，并为神经系统的临床评估和神经科学研究提供新的方法。

    Feb, 2019

  • 循环切换线性动态系统

    通过将数据分解为由简单动态单元解释的片段并研究这些切换的行为，我们展示了一种新的模型类型 —— 递归式切换线性动态系统，以提供更深入的洞察力，并利用近年来的算法进展在这些模型中使用近似推理使贝叶斯推理变得轻松、快速且可扩展。

    Oct, 2016

  • 非线性动力学的生成学习

    现代生成式机器学习模型展示出令人惊讶的能力，能够创造出超越其训练数据的逼真产出，如逼真的艺术作品、精确的蛋白结构或对话文本。这些成功表明生成模型学会了有效地参数化和采样任意复杂的分布。本文旨在将经典作品与大规模生成统计学习中的新兴主题联系起来，包括经典吸引子重构、隐空间模型中的潜在表示学习等。还介绍了早期利用符号近似进行比较的努力，与现代努力进行黑盒统计模型的精简和解释相关。新兴的跨学科研究桥接了非线性动力学和学习理论，如用于复杂流体流动的算子理论方法，或者检测生物数据集中打破了详细平衡的情况。我们预计未来的机器学习技术可能会重新审视非线性动力学中的其他经典概念，如信息传输衰减和复杂性 - 熵权衡问题。

    Nov, 2023

  • 从数据自动识别动力系统

    本文提出了一种方法，通过集成去噪技术、稀疏回归和自举置信区间来自动识别动力学定律，从而在物理、生物科学以及工程等各领域中有望影响对复杂系统的理解。

    Apr, 2023

  • 学习多个动态系统中的联合问题

    时间序列聚类是一个研究深入的问题，本文提出了一种变体方法，在给定一组轨迹和一定数量的部分的情况下，共同划分轨迹集并学习每个部分的线性动态系统（LDS）模型，以最小化所有模型的最大误差，给出了全局收敛方法和 EM 启发式算法，并伴随着有希望的计算结果。

    Nov, 2023

  • 学习线性动力系统混合模型

    研究了从未标记的短样本轨迹中学习多个线性动态系统（LDS）混合模型的问题，并开发了二阶段元算法，其执行效果得到了验证。

    Jan, 2022