Skip to content
検索結果に戻る

ニューラルODE

提唱者
Chen, T. Q. et al.
年
2018
種類
Continuous-depth neural network (ODE-parameterised dynamics)

この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む

文字サイズ

何をする手法か?

ニューラルODEは、2018年にChenらによって導入され、隠れ状態を、ニューラルネットワークによってパラメータ化された常微分方程式の連続解としてモデル化する。これは残差接続の極限ケースを一般化し、不規則に間隔が空いた時系列や物理ベースモデリングに適している。

手法の背後にある直感

ディープ残差ネットワークは、各層で隠れ状態に小さな学習済み増分を加える。それらの層を無限に近づくまで縮小すると想像すると、離散的な更新のスタックは滑らかな曲線になり、ネットワークは固定数のステップではなく、隠れ状態の変化率を表す。ニューラルODEは、この連続極限を文字通りに取る。層を積み重ねる代わりに、状態の速度を学習し、ODEソルバーに時間方向に積分させることで、状態は固定層境界だけでなく、任意の瞬間に評価できる。

歴史学

ニューラルODEは、2018年のNeurIPSでChen、Rubanova、Bettencourt、Duvenaudによって導入され、残差ネットワークの連続極限を、メモリ効率の良い随伴法を用いた数値積分器で解かれる常微分方程式として定式化した。翌年、Rubanovaらは、不規則にサンプリングされた時系列のための潜在ODEにこのアイデアを拡張し、連続時間定式化が離散的なリカレントモデルよりも不均一に間隔が空いた観測値をより自然に処理できることを示した。

使うべき場面

連続時間データ、特に不規則にサンプリングされた時系列や縦断的軌跡に対する予測またはフォレキャスティングにニューラルODEを使用する。これは、滑らかで連続的に進化する動的システムが妥当なモデルである場合に有効である。連続変数上で動作し、正規分布データを必要としないが、比較的長い系列(目安として約100観測値、安定した学習にはそれ以上が必要)と、随伴法を用いたODEソルバーを期待する。小規模データセットでは連続ダイナミクスをうまく学習できず、約500観測値未満ではツリーアンサンブル(例:ランダムフォレスト)の方が安全であり、約100未満ではソルバーベースのモデルは全く意味をなさない。

限界と注意点

  • かなりの量のデータが必要:約500観測値未満では、ダイナミクスを確実に学習できない。
  • 約100観測値未満では、ソルバーベースのモデルは本質的に意味をなさない。
  • 学習はODEソルバーと随伴法に依存し、数値的および工学的な複雑さを増す。
  • 硬い、または急速に変化するダイナミクスは、ソルバーを遅くし、学習を不安定にする可能性がある。

出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。

強み

  • 状態が任意の時点で定義されるため、不規則かつ不均一にサンプリングされた時系列を自然に処理する。
  • メモリ効率の良い学習:随伴法は、ソルバーの深さに関係なくメモリを一定に保つ。
  • 物理ベースおよび連続的動的システムモデリングのための原理的な適合性。
  • 連続的深さの定式化は残差ネットワークを一般化し、精度とソルバーコストをトレードオフできる。

応用

  • 不規則にサンプリングされた、または不均一に間隔が空いた時系列のフォレキャスティングと予測。
  • 連続的な動的および物理ベースのシステムのモデリング。
  • 観測値が任意の時間に到着する縦断的軌跡モデリング。
  • メモリが制約されている場合のディープ残差ネットワークの連続的深さの代替。

使い方

使い方

1

固定された層のシーケンスではなく、ニューラルネットワーク f_theta は、現在の状態と時間に応じた隠れ状態の瞬間的な変化率を定義する。これにより、ネットワークの深さが連続時間へと変換される。モデルは、状態がどのように進化するかを指定するのであって、適用する離散変換の回数ではない。

数式
\frac{dh(t)}{dt} = f_\theta(h(t), t)
2

後刻の状態を得るために、数値ODEソルバーは学習されたダイナミクスを初期状態から時間方向に積分する。解は任意の時間点で定義されるため、モデルは固定グリッドに強制することなく、不規則で不均一な間隔で到着する観測値を自然に処理する。

数式
h(t_1) = h(t_0) + \int_{t_0}^{t_1} f_\theta(h(t), t)\, dt
3

学習には、ネットワークパラメータに関する損失の勾配が必要となる。随伴感度法は、2番目のODEを時間逆方向に解くことによってこれらを計算し、順方向積分にかかったソルバーステップ数に関係なく、メモリコストを低く一定に保つ。

よくある落とし穴

  • 連続的な動的信号がほとんどない非常に短い系列に適用すること。
  • ソルバーの許容誤差設定を無視し、精度と実行時間が静かに不一致になること。
  • 不規則なタイムスタンプを正規グリッドに強制し、手法の主な利点を失うこと。
  • 随伴法をスキップし、すべてのソルバーステップを保存してメモリを使い果たすこと。

よくある質問

ニューラルODEは残差ネットワークとどう違うのか?

残差ネットワークは、固定数の層のそれぞれに離散的な増分を加える。ニューラルODEは、それらの増分が無​​限小になる極限を取り、ニューラルネットワークが状態の連続的な変化率を定義し、ODEソルバーがそれを積分する。深さは、固定層数ではなく、連続時間となる。

学習に随伴法を使用する理由は?

随伴感度法は、補助的なODEを時間逆方向に解くことによって勾配を計算する。これにより、順方向ソルバーが取ったステップ数に関係なく、メモリコストを低く一定に保つことができ、ニューラルODEの学習に推奨される主な理由である。

ニューラルODEを避けるべきなのはいつか?

小規模データセットの場合。約500観測値未満では、モデルは連続ダイナミクスを確実に学習できず、約100未満ではソルバーベースのモデルは意味をなさない。そのような場合は、ランダムフォレストやXGBoostのようなツリーアンサンブルの方が安全な選択肢である。

どのようなデータに最も適しているか?

連続値の時系列および縦断的データ、特に観測値が不規則または不均一に間隔が空いている場合。状態は任意の時点で定義されるため、データを固定グリッドに再サンプリングする必要がない。

関連する手法

参考文献

  1. Chen, T. Q., Rubanova, Y., Bettencourt, J. & Duvenaud, D. (2018). Neural Ordinary Differential Equations. Advances in Neural Information Processing Systems (NeurIPS).

    出版物の文献を開く
    コピーしました。
  2. Rubanova, Y., Chen, T. Q. & Duvenaud, D. (2019). Latent ODEs for Irregularly-Sampled Time Series. Advances in Neural Information Processing Systems (NeurIPS).

    出版物の文献を開く
    コピーしました。