# Learning System Dynamics without Forgetting

### 저자

Xikun Zhang, Dongjin Song, Yushan Jiang, Yixin Chen, Dacheng Tao

### 개요

본 논문은 알려지지 않은 역학 시스템에 대한 관측 기반 궤적 예측 문제를 다룬다. 기존 접근 방식은 고정된 역학 패턴을 가진 단일 시스템 내 학습에 제한되는 반면, 실제 응용 분야는 역학 패턴이 진화하는 시스템 간의 학습을 필요로 한다.  이를 해결하기 위해 지속적인 역학 학습(CDL) 문제를 체계적으로 조사하고, 기존 기법의 적용 가능성을 평가하며 핵심 과제를 파악한다.  이에 대한 해결책으로, LG-ODE와 하위 네트워크 학습의 장점을 모드 전환 모듈과 통합한 모드 전환 그래프 ODE(MS-GODE) 모델을 제안한다.  또한, 다양한 역학을 가진 다양한 시스템을 특징으로 하는 CDL을 위한 새로운 생물 역학 시스템 벤치마크인 Bio-CDL을 구성하여 동적 시스템에 대한 기계 학습 연구 분야를 크게 풍부하게 한다.  소스 코드는 [https://github.com/QueuQ/MS-GODE](https://github.com/QueuQ/MS-GODE) 에서 확인 가능하다.

[GitHub - QueuQ/MS-GODE](https://github.com/QueuQ/MS-GODE)

### 시사점, 한계점

- **시사점:**

    - 역학 패턴이 진화하는 시스템 간의 학습이 가능한 새로운 CDL 프레임워크 제시

    - MS-GODE 모델을 통해 다양한 역학 시스템에 대한 효율적인 학습 가능성 증명

    - Bio-CDL 벤치마크 제공을 통한 CDL 연구의 활성화 및 표준화 기여

    - LG-ODE와 하위 네트워크 학습의 장점을 결합한 효과적인 모델 설계

- **한계점:**

    - Bio-CDL 벤치마크의 규모 및 다양성에 대한 추가적인 연구 필요

    - MS-GODE 모델의 일반화 성능 및 다양한 시스템에 대한 적용 가능성에 대한 추가적인 실험 필요

    - 모드 전환 모듈의 복잡성으로 인한 계산 비용 증가 가능성

    - 실제 세계의 복잡한 시스템에 대한 적용 가능성 및 성능 제한 연구 필요

[PDF 보기](https://arxiv.org/pdf/2407.00717)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).