学习系统动力学且不忘记
机器学习
2025-02-26 v2 人工智能
系统与控制
系统与控制
摘要
基于观察的轨迹预测对于动力学未知的系统至关重要，已广泛应用于物理学和生物学等领域。现有大多数方法局限于学习单个具有固定动力学模式的系统。然而，许多实际应用需要学习跨动力学模式演化的系统，这一挑战在学界 largely 被忽略。为此，我们系统性地研究了持续动力学学习（Continual Dynamics Learning, CDL）问题，考察了任务配置并评估了现有技术的适用性，同时识别出关键挑战。作为回应，我们提出了模式切换图形 ODE（Mode-switching Graph ODE, MS-GODE）模型，融合了 LG-ODE 和子网络学习的优势，引入模式切换模块，以实现在变化动力学下的高效学习。此外，我们构建了一个新的生物动力学系统基准数据集，用于 CDL，即 Bio-CDL，包含具有多样动力学的系统，显著丰富了动态系统机器学习研究领域。我们的代码已公开：https://github.com/QueuQ/MS-GODE。
引用
@article{arxiv.2407.00717,
title = {Learning System Dynamics without Forgetting},
author = {Xikun Zhang and Dongjin Song and Yushan Jiang and Yixin Chen and Dacheng Tao},
journal= {arXiv preprint arXiv:2407.00717},
year = {2025}
}