识别非线性动力学系统中的潜在状态转移
机器学习
2024-06-07 v2 机器学习
摘要
本工作旨在通过恢复底层低维潜在状态及其时间演化，提高动力学系统的泛化性和可解释性。先前在动力学系统范畴内的解耦表征学习工作可能侧重于潜在状态，或采用线性转移近似。因此，这些方法无法识别非线性转移动力学，进而无法可靠地预测复杂的未来行为。灵感来自非线性ICA的最新进展，我们提出了一种状态空间建模框架，使我们能够识别不仅潜在状态，还能识别将过去状态映射到当前状态的未知转移函数。我们引入一种基于变分自编码器的实用算法，并在真实的合成设置中实证演示，我们能够（i）以高精度恢复潜在状态动力学，（ii）相应地实现高精度的未来预测，（iii）快速适应新环境。
引用
@article{arxiv.2406.03337,
title = {Identifying latent state transition in non-linear dynamical systems},
author = {Çağlar Hızlı and Çağatay Yıldız and Matthias Bethge and ST John and Pekka Marttinen},
journal= {arXiv preprint arXiv:2406.03337},
year = {2024}
}