耗散与收缩神经常微分方程的无约束参数化
系统与控制
2023-09-18 v2 机器学习
系统与控制
摘要
在这项工作中，我们引入并研究了一类连续时间深度神经网络（DNNs）。所提出的架构源于神经常微分方程（Neural ODEs）与近期提出的循环平衡网络（RENs）模型结构的结合。我们展示了如何赋予我们所提出的 NodeRENs 以收缩性和耗散性——这对于鲁棒学习与控制至关重要的性质。最重要的是，如同 RENs 一样，我们推导出了收缩且耗散的 NodeRENs 的无约束参数化，从而使其能够针对大量参数进行学习。我们在一个非线性系统辨识的案例研究中验证了 NodeRENs 的性质，包括处理非均匀采样数据的可能性。
引用
@article{arxiv.2304.02976,
title = {Unconstrained Parametrization of Dissipative and Contracting Neural Ordinary Differential Equations},
author = {Daniele Martinelli and Clara Lucía Galimberti and Ian R. Manchester and Luca Furieri and Giancarlo Ferrari-Trecate},
journal= {arXiv preprint arXiv:2304.02976},
year = {2023}
}
备注
Accepted for CDC 2023