MARC

 008250123s2024        us                              c    eng  d
■001000017161961
■00520250211151508
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382762388
■035    ▼a(MiAaPQ)AAI31299308
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aJiang,  Song.
■24510▼aTowards  Causally-Aware  Dynamical  System  Prediction
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a134  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-11,  Section:  B.
■500    ▼aAdvisor:  Sun,  Yizhou.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2024.
■520    ▼aUnderstanding  and  predicting  the  dynamics  is  one  fundamental  problem  that  supports  various  real-world  applications.  Deep  learning  dynamical  models  such  as  recurrent  neural  networks  (RNNs)  and  Transformer  show  powerful  expressiveness  in  modeling  sequential  data.  However,  pure  deep  learning  models  lack  appropriate  inductive  bias  for  dynamics,  which  limits  their  potential  for  more  accurate  dynamic  predictions.This  dissertation  aims  to  enhance  deep  neural  networks'  capability  of  modeling  dynamics.  My  research  starts  by  injecting  physical  law  as  prior  knowledge  into  deep  nets,  with  the  finding  that  such  prior  knowledge  shapes  the  predicted  trajectory  desirably  and  therefore  achieves  more  accurate  forecasting.  However,  such  physical  law  is  not  available  for  more  general  and  complicated  dynamics,  such  as  retail  time  series,  and  energy  consumption  sequence.  To  this  end,  we  propose  to  use  the  Fourier  series  instead  of  task-specific  rules  as  a  more  general  inductive  bias  to  capture  the  periodicity.  Unfortunately,  either  specific  physical  law  or  general  periodic  series  still  just  learns  the  association  between  historical  observations  and  the  future  series.  However,  answering  counterfactual  questions  like  "Would  the  community  protection  be  better  had  a  different  group  of  people  gotten  vaccinated  first?"  is  one  key  problem  for  decision-making  in  dynamical  systems.  A  dynamical  is  naturally  represented  by  a  graph,  where  units  are  nodes  and  the  interactions  among  them  are  edges.  The  second  part  of  my  research  focuses  on  how  to  answer  causal  questions  on  graphs  and  then  extend  to  general  dynamical  systems. 
■590    ▼aSchool  code:  0031.
■650  4▼aComputer  science
■650  4▼aEngineering
■650  4▼aInformation  technology
■653    ▼aDeep  learning
■653    ▼aRecurrent  neural  networks
■653    ▼aDynamical  systems
■653    ▼aSequential  data
■653    ▼aDeep  neural  networks
■690    ▼a0984
■690    ▼a0489
■690    ▼a0800
■690    ▼a0537
■71020▼aUniversity  of  California,  Los  Angeles▼bComputer  Science  0201.
■7730  ▼tDissertations  Abstracts  International▼g85-11B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161961▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서