Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
Generalización a nuevos sistemas dinámicos mediante la adaptación del dominio de frecuencia
Created by
Haebom
Autor
Tiexin Qin, Hong Yan, Haoliang Li
Describir
En este artículo, discutimos cómo aprender dinámicas subyacentes de datos usando redes neuronales profundas. Los métodos existentes son limitados en hacer predicciones confiables en dominios específicos y luchan por generalizar a sistemas no vistos gobernados por la misma dinámica general pero con diferentes características ambientales. En este artículo, presentamos Fourier Neural Simulator Dynamic Adaptation (FNSDA), un método de parámetros eficiente que puede generalizar fácilmente a nuevas dinámicas a través de la adaptación en el espacio de Fourier. Específicamente, FNSDA utiliza la partición automática de modos de Fourier basados en entornos conocidos para identificar dinámicas compartibles y aprende a adaptar modos específicos a cada nuevo entorno, condicionados a parámetros sistemáticos latentes de baja dimensión, para una generalización eficiente. Evaluamos nuestro enfoque en cuatro familias representativas de sistemas dinámicos y mostramos que FNSDA logra un rendimiento de generalización que es superior o competitivo con los métodos existentes al tiempo que reduce significativamente los costos de los parámetros. El código se puede encontrar en https://github.com/WonderSeven/FNSDA .
