Fugu-MT 論文翻訳(概要): Proper Learning of Linear Dynamical Systems as a Non-Commutative Polynomial Optimisation Problem

論文の概要: Proper Learning of Linear Dynamical Systems as a Non-Commutative Polynomial Optimisation Problem

arxiv url: http://arxiv.org/abs/2002.01444v5
Date: Thu, 7 Sep 2023 08:32:50 GMT
ステータス: 処理完了
システム内更新日: 2023-09-08 18:35:46.010685
Title: Proper Learning of Linear Dynamical Systems as a Non-Commutative Polynomial Optimisation Problem
Title（参考訳）: 非可換多項式最適化問題としての線形力学系の最適学習
Authors: Quan Zhou and Jakub Marecek
Abstract要約: 線形力学系(LDS: linear dynamical system)の次の観測を予測する手法は,不適切な学習(inroper learning)として知られている。 LDS問題の非二乗収束にもかかわらず、我々はアプローチを提示する。
参考スコア（独自算出の注目度）: 7.92637080020358
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: There has been much recent progress in forecasting the next observation of a linear dynamical system (LDS), which is known as the improper learning, as well as in the estimation of its system matrices, which is known as the proper learning of LDS. We present an approach to proper learning of LDS, which in spite of the non-convexity of the problem, guarantees global convergence of numerical solutions to a least-squares estimator. We present promising computational results.
Abstract（参考訳）: 不適切な学習として知られる線形力学系(lds)の次の観測を予測したり、ldsの適切な学習として知られる系行列の推定を行うのが最近の進歩である。本稿では,この問題の非凸性に拘わらず,最小二乗推定器への数値解の大域収束を保証する,ldsの適切な学習手法を提案する。我々は有望な計算結果を示す。

関連論文リスト

Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文参考訳（メタデータ） (2023-10-09T14:30:06Z)
Understanding Incremental Learning of Gradient Descent: A Fine-grained Analysis of Matrix Sensing [74.2952487120137]
GD(Gradient Descent)は、機械学習モデルにおいて、良い一般化に対する暗黙のバイアスをもたらすと考えられている。本稿では,行列センシング問題に対するGDのダイナミクスを詳細に解析する。
論文参考訳（メタデータ） (2023-01-27T02:30:51Z)
Regret Analysis of Certainty Equivalence Policies in Continuous-Time Linear-Quadratic Systems [0.0]
本研究では,線形四元数系の正準モデル制御のためのユビキタス強化学習ポリシーの理論的性能保証について検討する。我々は、時間的後悔境界の平方根を確立し、ランダム化された確実性等価ポリシーが一つの状態軌跡から高速に最適な制御行動を学ぶことを示す。
論文参考訳（メタデータ） (2022-06-09T11:47:36Z)
Near-optimal Offline Reinforcement Learning with Linear Representation: Leveraging Variance Information with Pessimism [65.46524775457928]
オフライン強化学習は、オフライン/歴史的データを活用して、シーケンシャルな意思決定戦略を最適化しようとしている。線形モデル表現を用いたオフライン強化学習の統計的限界について検討する。
論文参考訳（メタデータ） (2022-03-11T09:00:12Z)
High-Dimensional Sparse Bayesian Learning without Covariance Matrices [66.60078365202867]
共分散行列の明示的な構成を避ける新しい推論手法を提案する。本手法では, 数値線形代数と共役勾配アルゴリズムの対角線推定結果とを結合する。いくつかのシミュレーションにおいて,本手法は計算時間とメモリにおける既存手法よりも拡張性が高い。
論文参考訳（メタデータ） (2022-02-25T16:35:26Z)
Learning Mixtures of Linear Dynamical Systems [94.49754087817931]
そこで我々は,2段階のメタアルゴリズムを開発し,各基底構造LPSモデルを誤り$tildeO(sqrtd/T)$.sqrtd/T)まで効率的に復元する。提案手法の有効性を検証し,数値実験による理論的研究を検証する。
論文参考訳（メタデータ） (2022-01-26T22:26:01Z)
Learning Linear Complementarity Systems [8.18198392834469]
本稿では,Line complementarity System (LCSs) と呼ばれる,一括結合型力学系の学習について検討する。本稿では,ハイブリッドモード境界の事前知識を必要とせず,LCSパラメータ化の効率的な学習を可能にする違反に基づく損失を提案する。この結果から,非滑らかな線形相補性問題から差別化を図り,より優れた評価方法が得られた。
論文参考訳（メタデータ） (2021-12-25T20:48:26Z)
Online Stochastic Gradient Descent Learns Linear Dynamical Systems from A Single Trajectory [1.52292571922932]
本研究では,システムを記述する未知の重み行列がブルノフスキー正則形式であれば,システムの未知の基底真理を効率的に推定できることを示した。具体的には、具体的な境界を導出することにより、SGDは基底真理重みから任意の小さなフロベニウスノルム距離に期待して線型収束することを示す。
論文参考訳（メタデータ） (2021-02-23T17:48:39Z)
A Dynamical Systems Approach for Convergence of the Bayesian EM Algorithm [59.99439951055238]
我々は、(離散時間)リアプノフ安定性理論が、必ずしも勾配ベースではない最適化アルゴリズムの分析(および潜在的な設計)において、いかに強力なツールとして役立つかを示す。本稿では,不完全データベイズフレームワークにおけるパラメータ推定を,MAP-EM (maximum a reari expectation-maximization) と呼ばれる一般的な最適化アルゴリズムを用いて行うことに着目したML問題について述べる。高速収束(線形あるいは二次的)が達成され,S&Cアプローチを使わずに発表することが困難であった可能性が示唆された。
論文参考訳（メタデータ） (2020-06-23T01:34:18Z)
Memory-Efficient Learning of Stable Linear Dynamical Systems for Prediction and Control [4.807871397146472]
安定線形力学系(LDS)を学習するための新しいアルゴリズムを提案する。本稿では,各ステップの安定性を保証する最適化手法を提案する。本研究では,画像系列から動的テクスチャの学習やロボットマニピュレータの制御など,シミュレーションや実験にアルゴリズムを適用した。
論文参考訳（メタデータ） (2020-06-06T18:44:08Z)
Sparse Methods for Automatic Relevance Determination [0.0]
まず、自動妥当性決定(ARD)について検討し、スパースモデルを実現するために、追加の正規化やしきい値設定の必要性を解析的に実証する。次に、正規化ベースとしきい値ベースという2つの手法のクラスについて論じる。
論文参考訳（メタデータ） (2020-05-18T14:08:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。