AAAIDec, 2022

多模态教师强制机制用于非线性动力系统重构

PDF
TL;DR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。
nonlinear dynamical systemstime series measurementsmachine learningchaotic dsrecurrent neural network
发现论文，激发创造
  • 从多模态时间序列中重建非线性动力系统

    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。

    Nov, 2021

  • 广义教师强制学习混沌动力学

    通过对混沌动力系统进行简单的修改以及与可处理的递归神经网络设计的简单架构重排，可以在低维空间中准确还原动力系统，并在真实世界数据上表现出较高的性能。

    Jun, 2023

  • 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

  • 控制混沌：在递归神经网络的训练中强制执行动力学不变量

    运用遍历理论引入机器学习的新型训练方式，强制实现系统中的动力学不变量，以提高在有限数据情况下对混沌动力学系统的长期预测能力，用回声状态网络体系结构进行演示，并以 Lorenz1996 混沌动力学系统和光谱拟地转模型为测试案例，取得了丰硕成果。

    Apr, 2023

  • 用于多尺度建模的树状结构循环切换线性动力学系统

    研究了一种多尺度的树形递归开关线性动态系统，使用贝叶斯采样程序和 Polya-Gamma 数据增强实现贝叶斯推断。这种模型旨在同时提供可解释的描述和更准确的预测，通过一系列合成和真实的案例，展示了这种模型在解释性和预测能力上优于现有的方法。

    Nov, 2018

  • 复杂动态系统极端事件的基于数据协助的降阶建模

    本文提出了一种混合框架，它将投影方程得到的不完美模型和基于数据流的递归神经网络 (LSTM) 相结合，在具有极端事件的挑战性系统中表现出更好的性能，特别是在数据稀疏的情况下。

    Mar, 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

  • 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

  • 变分贝叶斯滤波的切换线性动力学

    利用贝叶斯推断、变分自动编码器和具体松弛技术，学习从局部和高维观察中获取更全面和有意义的状态空间，从而提高在各种模拟任务中学习的动态准确性的能力。

    May, 2019