Jul, 2023

推广图ODE以跨环境学习复杂系统动力学

HTML
PDF
TL;DR通过学习多智能体系统动力学，我们提出了GG-ODE（广义图形常微分方程）机器学习框架，使用神经常微分方程（ODE）通过图神经网络（GNN）捕捉智能体之间的连续交互，并假设不同环境下的动力学都受到相同物理定律的支配。通过实验证明，我们的模型可以准确预测系统动力学，尤其在长期范围内，并能够很好地推广到观测数据稀缺的新系统。
发现论文，激发创造
  • 可学习的物理引擎图网络用于推理和控制

    介绍了一种基于图网络的学习模型，实现了对象和关系为中心的表示的归纳偏差，从而能够更准确地预测复杂动态系统的行为，并支持在线与离线规划。

    Jun, 2018

  • LEADS: 在不同环境中泛化的学习动态系统

    LEADS是一种新的框架，通过在共享模型中捕捉共同动态和捕获环境特定动态的额外项，利用已知环境的共享性和差异性来提高模型的泛化能力。该方法在理论和实验上的结果表明，这种新的设置可以利用从依赖于环境的数据中提取的知识，并改善已知和新环境的泛化。

    Jun, 2021

  • 使用图神经网络学习复杂系统的动力学和结构

    本研究训练了图神经网络以适应来自非线性动力系统的时间序列，发现了学习表示和模型组件的简单解释，并成功地确定了'图翻译器'，使两种新类型广义：仅基于时间序列观测来恢复新系统实例的潜在结构，或者直接从该结构构造新网络。结果表明，理解复杂系统的动态和结构及其如何用于泛化的途径。

    Feb, 2022

  • 自回归GNN-ODE GRU模型用于网络动态

    本文介绍了一种基于自回归 GNN-ODE GRU 模型（AGOG）的方法，通过对复杂系统连续动态过程的建模和预测实现了任意时间节点状态的数据驱动预测，展示了在插值重建、外推预测和正常序列预测等三个任务中的精度表现。

    Nov, 2022

  • 隐空间动态网络 (LDNets): 学习时空过程内在的动力学

    对于展现时空动态响应的系统的演化进行预测是促进科学创新的关键技术，传统基于方程的方法需要大规模并行计算平台和大量的计算成本。相比之下，我们提出了一种名为Latent Dynamics Network的新型架构，该架构使用降维和深度学习算法来描述系统演化的低维潜在空间，从而预测空间依赖场对外部输入的时间演化，并在几个测试案例上验证了该方法的高效性和精确性。

    Apr, 2023

  • 通过不变分解和(时空)转换器学习潜在动态

    提出了一种方法，通过在一种框架内结合变分自动编码器和(时空)注意力机制，从高维经验数据中学习动力系统，以实现确定一定科学动力学不变的设计，这种方法允许在任何连续时刻有效推断系统行为，是从异构数据中高效学习动态模型的一种有前途的新框架。

    Jun, 2023

  • 受物理启发的神经图ODE用于长期动态仿真

    通过使用物理启发的神经图常微分方程算法（Physics-Inspired Neural Graph ODE），我们提出了一种更好地建模离散监督信号下潜在轨迹的方法，同时利用基于GNN的模型以插拔的方式对神经图常微分方程进行参数化，实验证明我们的模型在长期预测和演化误差方面相较于现有方法有数量级的提升。

    Aug, 2023

  • 通过数据自适应随机过程从稀缺观察中学习连续网络的新兴动态

    通过稀疏观测数据，我们引入了一种新的随机过程，称为神经常微分方程过程，用于学习连续网络动态，在各种领域中的网络动态具有优秀的数据适应性和计算效率，并可以适应新的网络动态，仅需要约6%的观测数据比例，并且显著提高了对新动态的学习速度。

    Oct, 2023

  • 图ODE与因式原型的建模复杂交互动力学

    通过引入因子化的原型，使用图形ODE模型和变分推论框架，提出了一种名为GOAT的新方法，用于建模相互作用的动态系统，以增强模型的推广能力。

    Nov, 2023

  • 无遗忘学习系统动力学

    通过连续学习模式切换图ODE（MS-GODE）的新框架，能够持续学习不同动态的系统，并将系统特定的动态编码为模型参数上的二进制掩码，从而根据观测数据选择最可信的掩码，识别系统并相应地预测未来轨迹。

    Jun, 2024