Deutsch
 
Datenschutzhinweis Impressum
  DetailsucheBrowse
  1. Datensatz Übersicht / 
  2. Datensatz ansehen

Datensatz

DATENSATZ AKTIONENEXPORT
 
 
DownloadE-Mail
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  Stabilized Neural Differential Equations for Learning Dynamics with Explicit Constraints

White, A., Kilbertus, N., Gelbrecht, M., Boers, N. (2024): Stabilized Neural Differential Equations for Learning Dynamics with Explicit Constraints. - In: Oh, A., Naumann, T., Globerson, A., Saenko, K., Hardt, M., Levine, S. (Eds.), Advances in Neural Information Processing Systems 36 (NeurIPS 2023), San Diego : Neural Information Processing Systems, 12929-12950.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://publications.pik-potsdam.de/pubman/item/item_30047 Versions-Permalink: https://publications.pik-potsdam.de/pubman/item/item_30047_1
Genre: Buchkapitel

Dateien

einblenden: Dateien
ausblenden: Dateien
:
White_2306.09739.pdf (beliebiger Volltext), 7MB
 
Datei-Permalink:
-
Name:
White_2306.09739.pdf
Beschreibung:
-
Sichtbarkeit:
Privat
MIME-Typ / Prüfsumme:
application/pdf
Technische Metadaten:
Copyright Datum:
-
Copyright Info:
-
Lizenz:
-

Externe Referenzen

einblenden:
ausblenden:
externe Referenz:
https://proceedings.neurips.cc/paper_files/paper/2023/hash/2a4179ef39846557e99f6bfac580ea2e-Abstract-Conference.html (Verlagsversion)
Beschreibung:
-
externe Referenz:
https://doi.org/10.48550/arXiv.2306.09739 (Preprint)
Beschreibung:
-

Urheber

einblenden:
ausblenden:
 Urheber:
White, Alistair1, Autor              
Kilbertus, Niki2, Autor
Gelbrecht, Maximilian1, Autor              
Boers, Niklas1, Autor              
Affiliations:
1Potsdam Institute for Climate Impact Research, ou_persistent13              
2External Organizations, ou_persistent22              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: Many successful methods to learn dynamical systems from data have recently been introduced. However, ensuring that the inferred dynamics preserve known constraints, such as conservation laws or restrictions on the allowed system states, remains challenging. We propose stabilized neural differential equations (SNDEs), a method to enforce arbitrary manifold constraints for neural differential equations. Our approach is based on a stabilization term that, when added to the original dynamics, renders the constraint manifold provably asymptotically stable. Due to its simplicity, our method is compatible with all common neural differential equation (NDE) models and broadly applicable. In extensive empirical evaluations, we demonstrate that SNDEs outperform existing methods while broadening the types of constraints that can be incorporated into NDE training.

Details

einblenden:
ausblenden:
Sprache(n): eng - Englisch
 Datum: 2024-08-012024-08-01
 Publikationsstatus: Final veröffentlicht
 Seiten: 22
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: Keine Begutachtung
 Identifikatoren: PIKDOMAIN: RD4 - Complexity Science
Organisational keyword: RD4 - Complexity Science
Organisational keyword: FutureLab - Artificial Intelligence in the Anthropocene
Research topic keyword: Nonlinear Dynamics
Model / method: Machine Learning
MDB-ID: pending
 Art des Abschluß: -

Veranstaltung

einblenden:

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: Advances in Neural Information Processing Systems 36 (NeurIPS 2023)
Genre der Quelle: Buch
 Urheber:
Oh, A.1, Herausgeber
Naumann, T.1, Herausgeber
Globerson, A.1, Herausgeber
Saenko, K.1, Herausgeber
Hardt, M.1, Herausgeber
Levine, S.1, Herausgeber
Affiliations:
1 External Organizations, ou_persistent22            
Ort, Verlag, Ausgabe: San Diego : Neural Information Processing Systems
Seiten: - Band / Heft: - Artikelnummer: - Start- / Endseite: 12929 - 12950 Identifikator: ISBN: 9781713899921