Nov, 2023

图上非线性耦合振荡器的潜在线性模型

PDF
TL;DR耦合振子在任意图上本地驱动其相互同步的趋势，但通常会在整个图上表现出非线性行为。本文中，我们展示了这种耦合振子的非线性行为可以在某些潜在动态空间中被有效线性化。我们提出了基于监督矩阵分解的算法来学习这些潜在动态过滤器。我们的方法在同步预测任务中表现出竞争力，尽管其结构简单且可解释。
coupled oscillatorsnonlinear behaviorlatent dynamic spacessynchronization predictionmatrix factorization
发现论文，激发创造
  • 复杂动态的自适应局部线性模型

    利用局部线性模型和层次聚类的方法，对复杂系统进行分析，将数据划分为多个窗口进行简单的指数衰减和振荡分析，通过收集每个窗口的参数，提取出时间序列的特征，从而可以应用于分析 $C. elegans$ 神经元运动和全脑成像等研究。

    Jul, 2018

  • 图耦合振荡器网络

    提出了一种名为 Graph-Coupled Oscillator Networks（GraphCON）的新型用于图上深度学习的框架，该框架基于二阶常微分方程（ODEs）的离散化模型，模拟了通过底层图的邻接结构耦合的非线性控制和阻尼振荡器网络，并且解决了过度平滑问题和梯度消失问题。

    Feb, 2022

  • 学习潜在因果动态

    本文提出了一个名为 LiLY 的框架，用于解决时间序列建模中如何在未知分布转换下学习和快速更正模型的问题，该框架首先从不同的分布转移中恢复时间延迟的潜在因果变量并确定它们之间的关系，然后通过利用识别出的因果结构，将更正步骤进行公式化，将未知的分布转移分解为由固定动态和时变的潜在因果关系所引起的过渡分布更改和观察结果的全局更改，并且通过实验证明了潜在因果影响可靠地从不同的分布变化中识别出来，通过利用这种模块化的变化表示，我们只需使用少量样本就可以高效地学习在未知分布转换下更正模型。

    Feb, 2022

  • 稠密随机图上的弱相互作用振荡器

    本文研究弱相互作用粒子系统，探讨其在图序列中的表现，建立了一个连续的图极限类上的经验测度的大数定律，并且证明了这个极限是一个非线性协方差方程的解。

    Jun, 2020

  • 神经振荡器是普适的

    介绍了一种抽象的神经振荡器类，证明了神经振荡器是通用的，并可近似于任何时间变化函数之间的映射。这个证明为使用基于振荡器的 ML 系统提供了理论依据。

    May, 2023

  • 矩阵加权拉普拉斯下的同步

    研究了线性时不变系统组中的同步问题，其中每对系统之间的耦合由不同的输出矩阵描述。提出了简单的方法来为每一对系统产生（单独的）线性耦合增益，从而确保所有解收敛于一个公共轨迹。考虑了连续时间和离散时间两种情况。

    Aug, 2014

  • 非线性动力系统中的潜在状态转变识别

    本文旨在通过恢复底层的低维潜在状态及其时间演化来改进动力系统的泛化能力和解释能力。我们提出了一种基于变分自编码器的实用算法，并在逼真的合成环境中进行了实证研究，证明我们能够高准确性地恢复潜在状态动力学，相应地实现高未来预测准确性，并且能够快速适应新环境。

    Jun, 2024

  • 线性非高斯循环模型的局部因果发现

    本研究介绍了一种使用线性非高斯模型的广义的、统一的局部因果发现方法，无论是循环还是非循环。我们将独立成分分析的应用从全局上下文扩展到独立子空间分析，能够从目标变量的马尔科夫毯中准确识别等效的局部有向结构和因果强度。对于特殊的非循环场景，我们还提出了一种基于回归的替代方法。我们的可识别性结果在合成和真实数据集上得到了实证验证。

    Mar, 2024

  • 由非线性耦合动态系统构成的传感器网络的分散极大似然估计

    本研究提出了一种分散式传感器网络方案，通过非线性耦合的动力系统的自同步，能够达到全局最优最大似然（ML）估计。

    Dec, 2006

  • 基于谱子流形的非线性系统数据建模与预测

    本研究针对含有非线性或不可线性化的、具有一个双曲线性部分并受有多个有限频率的外力系统的数据集，提出了一种构建低维预测模型的方法。我们将通过在系统的低维、吸引光谱子流形上的扩展正常形式上获得的数据驱动、稀疏、非线性模型。我们在梁振动、涡 shedding 和 水箱晃荡等数据集上展示了数据驱动的光谱子流形降维的强大力量，并发现在预测非强制外部力下的非线性响应方面，也能准确预测受外力影响的情况。

    Jan, 2022