抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ニューラルネットワークを用いた微分方程式のニューラル常微分方程式(NODE)-パラメタリゼーションは,データから未知の連続時間力学系の学習モデルにおいて非常に有望であることを示した。しかし,NODEのあらゆるフォワード評価は,システムダイナミックスを捉えるために使用するニューラルネットワークの数値統合を必要とし,それらの訓練を禁止的に高価にする。既存の研究は,訓練のための十分な精度を得るために,根底にある動力学ネットワークの評価の過剰な数を必要とする,オフラインの適応型ステップサイズ数値積分方式に依存する。対照的に,数値積分に対するデータ駆動アプローチを提案することにより,NODEの評価と訓練を加速する。提案したTaylor-LagrangeNODE(TL-NODE)は,数値積分のための固定次数Taylor展開を使用し,一方,拡張近似誤差を推定するための学習も行った。その結果,提案した手法は,低次Taylor展開のみを採用して,適応ステップサイズスキームと同じ精度を達成し,従って,NODEを統合するために必要な計算コストを大幅に削減する。モデリング動的システム,画像分類,および密度推定を含む一連の数値実験は,TL-NODEが,性能を損なうことなく,最先端の手法よりも1桁以上速く訓練できることを示した。【JST・京大機械翻訳】