Learning unknown ODE models with Gaussian processes

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussavertaisarvioitu

Tutkijat

Organisaatiot

Kuvaus

In conventional ODE modelling coefficients of an equation driving the system state forward in time are estimated. However, for many complex systems it is practically impossible to determine the equations or interactions governing the underlying dynamics. In these settings, parametric ODE model cannot be formulated. Here, we overcome this issue by introducing a novel paradigm of nonparametric ODE modelling that can learn the underlying dynamics of arbitrary continuous-time systems without prior knowledge. We propose to learn non-linear, unknown differential functions from state observations using Gaussian process vector fields within the exact ODE formalism. We demonstrate the model’s capabilities to infer dynamics from sparse data and to simulate the system forward into future.

Yksityiskohdat

AlkuperäiskieliEnglanti
OtsikkoProceedings of the 35th International Conference on Machine Learning, ICML 2018
TilaJulkaistu - 2018
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaINTERNATIONAL CONFERENCE ON MACHINE LEARNING - Stockholm, Ruotsi
Kesto: 10 heinäkuuta 201815 heinäkuuta 2018
Konferenssinumero: 35

Julkaisusarja

NimiProceedings of Machine Learning Research
KustantajaPMLR
Vuosikerta80
ISSN (elektroninen)1938-7228

Conference

ConferenceINTERNATIONAL CONFERENCE ON MACHINE LEARNING
LyhennettäICML
MaaRuotsi
KaupunkiStockholm
Ajanjakso10/07/201815/07/2018

Lataa tilasto

Ei tietoja saatavilla

ID: 18164763