Jul, 2023

推广图 ODE 以跨环境学习复杂系统动力学

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。
multi-agent system dynamicsgeneralized graph ordinary differential equationsneural ordinary differential equationsgraph neural networksmodel generalization
发现论文，激发创造
  • 基于图结构的多元素 ODE 神经网络用于时空交通预测

    本文提出了一种新颖的基于图的多 - ODE 神经网络（GRAM-ODE）架构，通过捕捉复杂的局部和全局动态时空依赖关系的不同视图来学习更好的表示，并在其中间层添加了共享权重和发散性约束等技术以进一步改善面向预测任务的通信。在六个真实数据集上进行的广泛实验表明，GRAM-ODE 相比最先进的基线方法具有明显的优越性，并且不同组件对整体性能的贡献。

    May, 2023

  • 学习动力系统中未观测状态的控制方程

    采用混合神经 ODE 结构结合符号回归来学习部分观测动力系统的控制方程，通过两个案例研究验证该方法成功地学习了这些系统中未观测状态的真实控制方程，并对测量噪声具有鲁棒性。

    Apr, 2024

  • 使用图神经常微分方程实现复杂动态物理系统模拟

    本文提出了一种新颖的基于学习的模拟模型 - GNSTODE，以特征化通过统一的端到端框架来描述耦合粒子系统中的空间和时间依赖关系。通过对真实世界中的粒子相互作用观察进行训练，GNSTODE 能够精确地模拟任何可能的粒子系统。评估结果表明，所提出的 GNSTODE 比最先进的基于学习的模拟方法产生更好的模拟结果，并且可以作为处理实际应用中物理模拟问题的有效解决方案。

    May, 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

  • 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

  • 基于动态图神经 ODE 的多元时间序列预测

    本文提出了一种使用动态图神经普通微分方程（MTGODE）来预测多元时间序列的连续模型，旨在解决离散神经网络在捕捉稳定和精确的时空动态时所遇到的困难。我们的实验证明了该方法从多种角度在五个时间序列基准数据集上的超越性。

    Feb, 2022

  • 图神经常微分方程

    本文介绍了连续深度图神经网络 (GNN) 的框架，将图神经常微分方程 (GDEs) 形式化为 GNN 的对应物，其输入输出关系由一系列 GNN 层的连续融合离散拓扑结构和微分方程来决定，证明了其兼容各种静态和自回归 GNN 模型。结果表明 GDEs 在静态设置中通过在前向传递中将数值方法纳入其中提供了计算优势，在动态设置中，通过利用潜在动态的几何结构性能得到了提高。

    Nov, 2019

  • 环境感知的动态图学习用于非分布式泛化

    环境感知的动态图学习（EAGLE）框架通过建模复杂的耦合环境和利用时空不变模式，解决了动态图在分布转移下的超出分布预测的问题。

    Nov, 2023

  • 不规则采样时间序列的时间图 ODE

    通过引入时间图常微分方程（TG-ODE）框架，从不规则图流中学习时间和空间动态，验证实验表明 TG-ODE 在不规则图流任务中能够取得最先进的性能。

    Apr, 2024

  • 记忆神经微分方程及正交多项式投影

    本研究提出了 PolyODE，一种基于正交多项式投影的神经常微分方程模型，用于学习动态系统，以实现长期记忆和整体表示，优于先前的模型在数据重建和下游预测任务中的性能。

    Mar, 2023