Learning Collective Behaviors from Observation

要約

我々は、力学システムの構造同定に採用される学習方法論の包括的な検討を提示します。
これらの技術は、相互作用するエージェントの複雑なシステム内での創発現象を解明するために設計されています。
私たちのアプローチは、理論的な収束を保証するだけでなく、高次元の観測データを処理する際の計算効率も示します。
この方法は、エージェント システムにおける観測と確率ノイズ、複雑な相互作用ルール、不在の相互作用特徴、および実世界の観測に対応して、一次と二次の力学システムの両方を適切に再構築します。
私たちの学習方法論の基本的な側面は、変分逆問題アプローチを使用したカスタマイズされた損失関数の定式化にあり、本質的に私たちの方法に次元削減機能を備えています。

要約(オリジナル)

We present a comprehensive examination of learning methodologies employed for the structural identification of dynamical systems. These techniques are designed to elucidate emergent phenomena within intricate systems of interacting agents. Our approach not only ensures theoretical convergence guarantees but also exhibits computational efficiency when handling high-dimensional observational data. The methods adeptly reconstruct both first- and second-order dynamical systems, accommodating observation and stochastic noise, intricate interaction rules, absent interaction features, and real-world observations in agent systems. The foundational aspect of our learning methodologies resides in the formulation of tailored loss functions using the variational inverse problem approach, inherently equipping our methods with dimension reduction capabilities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google