ハミルトニアンニューラルネットワークの帰納的バイアスの脱構築【JST・京大機械翻訳】

Gruver Nate; Finzi Marc; Stanton Samuel; Wilson Andrew Gordon

プレプリント

J-GLOBAL ID：202202206273942493 整理番号：22P0287448

ハミルトニアンニューラルネットワークの帰納的バイアスの脱構築【JST・京大機械翻訳】

Deconstructing the Inductive Biases of Hamiltonian Neural Networks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年02月10日プレプリントサーバーでの情報更新日： 2022年02月11日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

ハミルトニアンやラグランジアンNNのような物理インスパイアードニューラルネットワーク(NN)は,強い誘導バイアスを活用することにより,他の学習力学モデルを劇的に凌駕する。しかし,これらのモデルは,エネルギーを保存しないものや,ロボットや強化学習のための共通の設定を含む,多くの実世界システムに適用するのに挑戦している。本論文では,物理にヒントを得たモデルを実際に成功させる帰納的バイアスを調べた。従来の w雑さとは対照的に,HNNの改善された一般化は,シンプレクティック構造またはエネルギー保存よりも,むしろ,協調システムからの人工的複雑性を避けて,モデリング加速の結果であった。これらのモデルの帰納的バイアスを緩和することにより,エネルギー保存システムに関する性能に整合または超えることができ,一方,実用的で非保存的システムに関する性能を劇的に改善することを示した。一般的なMujoco環境に対する遷移モデルを構築するためにこの手法を拡張し,本モデルがモデルベース制御に必要な柔軟性と誘導バイアスを適切にバランスできることを示した。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

人工知能

前のページに戻る