AAAIAug, 2022

基于深度学习的部分观测下网络动态系统图恢复

PDF
TL;DR研究了图结构识别问题，通过观测到的时间序列，从线性随机网络动态系统的状态设置中获取组件，计算了特征向量，并使用这些特征来训练卷积神经网络进行因果推断，在各种网络上推广良好，可解决大规模系统中不能处理所有节点的问题。
发现论文，激发创造
  • 学习具有潜在节点和结构噪声的网络动力系统的因果结构

    通过对观测节点的时间序列数据进行特征嵌入和聚类，解决了具有噪声相关性和部分可观测性的线性网络动力系统中隐藏因果网络的学习问题。

    Dec, 2023

  • 基于部分可观测和空间彩色噪声的网络动力系统推断

    在网络化动力系统（NDS）中，每个节点是一个与相邻节点的动力学耦合的系统。我们提出了噪声相关性结构的可行性条件，其中存在一致的网络推断估计器以恢复观察节点之间的基本依赖关系。此外，我们描述了一种结构识别算法，该算法在网络连通性、可观测性和噪声相关性的不同情况下表现出竞争性能。

    Dec, 2023

  • 从部分观测中学习动态系统

    本文研究使用数据驱动框架和神经网络来预测复杂的非线性时空过程，并表现出显著的改进。

    Feb, 2019

  • 从部分数据中重构、预测和稳定混沌动态

    通过使用基于数据的方法，该研究提出了 Long Short-Term Memory (LSTM) 网络来推断未观察到的（隐藏的）混沌变量的动力学，时间预测完全状态的演变并推断其稳定性。

    May, 2023

  • 在多机器人网络中，从节点轨迹中学习识别图形

    该研究提出了一种基于学习的方法，结合了强凸规划和自注意力编码器，可以有效地揭示图的拓扑结构以及预测适当的正则化参数，从而解决了网络配置不同的情况下图拓扑的识别问题。

    Jul, 2023

  • 交互动力系统的深度状态空间模型的廉价和确定性推理

    本文提出了一种基于图神经网络的深度状态空间模型，用于建模交互式动态系统，且预测分布为多峰高斯混合模型，同时提出了结构化的协方差近似方法，可以适用于具有多个智能体的系统，并在自动驾驶数据集上进行了测试并与现有技术进行了比较。

    May, 2023

  • 自激励和相互激励时间序列的因果图探索

    提出一种泛化线性结构因果模型，通过新型数据自适应线性正则化，从时间序列中恢复因果有向无环图。

    Jun, 2021

  • 深度投影网络用于学习时间齐次动力系统

    我们考虑时齐动力系统的一般类别，包括离散和连续性，并研究从观测数据中学习状态的有意义表示的问题。这对于学习系统的前向传递算符非常关键，从而可以用于预测未来状态或可观测量。该表示通常通过神经网络参数化，并通过优化类似于规范相关分析（CCA）的目标函数来学习。然而，与 CCA 不同，我们的目标避免矩阵求逆，因此通常更稳定且适用于挑战性的情况。我们的目标是 CCA 的一个紧松弛，并通过提出两种正则化方案进一步增强，一种鼓励表示的分量正交而另一种利用 Chapman-Kolmogorov 方程。我们将该方法应用于具有挑战性的离散动力系统，讨论其相对先前方法的改进，并应用于连续动力系统。

    Jul, 2023

  • 网络重构与动态学习的通用深度学习框架

    通过提出 Gumbel Graph 网络 (GGN) 框架，我们展示了一种模型自由、数据驱动的深度学习方法，可用于重建网络连接并预测时间序列的状态。该框架在连续、离散、二进制等不同类型的时间序列数据上展现了显著的对比优势。

    Dec, 2018

  • 从部分观测中随机预测多智能体交互

    本研究提出了一种基于图形结构的变量循环神经网络 (Graph-VRNN) 的方法，该方法可以从学习的动力学模型中学习整合时间信息，从学习的视觉模型中学习模糊视觉信息，用于多智能体环境下的状态推断和预测，并在两个运动数据集上的实验中表现出优越性。

    Feb, 2019