基于深度生成神经网络的从局部快照建模全局动力学
机器学习
2019-12-03 v5 机器学习
摘要
复杂高维随机动力系统出现在自然科学尤其是生物学的许多应用中。然而,尽管这些系统难以解析描述,但对系统输出进行采样的“快照”测量通常是可以获得的。为了基于快照数据或局部转移对这类系统的动力学进行建模,我们提出了一种称为动力学建模网络(Dynamics Modeling Network, DyMoN)的深度神经网络框架。DyMoN是一个被训练为深度生成式马尔可夫模型的神经网络框架,其下一状态是基于当前状态的概率分布。DyMoN使用当前与下一状态对的样本进行训练,因此不需要纵向测量。我们展示了DyMoN相对于浅层模型(如卡尔曼滤波器和隐马尔可夫模型)以及其他深度模型(如循环神经网络)的优势,即其能够体现动力学(可通过扰动神经网络来研究)并生成纵向假设轨迹。我们进行了三个案例研究,将DyMoN应用于不同类型的生物系统,并通过考察学习到的模型在每种情况下提取动力学特征。
引用
@article{arxiv.1802.03497,
title = {Modeling Global Dynamics from Local Snapshots with Deep Generative Neural Networks},
author = {Scott Gigante and David van Dijk and Kevin Moon and Alexander Strzalkowski and Guy Wolf and Smita Krishnaswamy},
journal= {arXiv preprint arXiv:1802.03497},
year = {2019}
}
备注
Published in SampTA 2019