SDYN-GANs：面向一般阶随机动力学多步生成模型的对抗学习方法
机器学习
2023-02-08 v1 数值分析
动力系统
数值分析
数据分析、统计与概率
机器学习
摘要
我们引入用于 阶随机系统动力学数据驱动生成建模的对抗学习方法。我们的方法构建于生成对抗网络（Generative Adversarial Networks, GANs）之上，其生成模型类基于稳定的 步随机数值积分器。我们引入不同的公式与训练方法，用于基于轨迹样本观测学习随机动力学模型。我们发展了使用基于最大均值差异（Maximum Mean Discrepancy, MMD）的判别器、使用条件与边缘分布的训练协议、以及用于在不同时间尺度上学习动态响应的方法。我们展示了我们的方法如何用于物理系统建模以学习力律、阻尼系数和噪声相关参数。这些对抗学习方法为获取稳定生成模型提供了途径，用于包括长时间预测和开发随机系统模拟的动态任务。
引用
@article{arxiv.2302.03663,
title = {SDYN-GANs: Adversarial Learning Methods for Multistep Generative Models for General Order Stochastic Dynamics},
author = {Panos Stinis and Constantinos Daskalakis and Paul J. Atzberger},
journal= {arXiv preprint arXiv:2302.03663},
year = {2023}
}
备注
7 figures