論文の概要: A Model-Free Sampling Method for Estimating Basins of Attraction Using Hybrid Active Learning (HAL)

• arxiv url: http://arxiv.org/abs/2003.10976v3
• Date: Tue, 10 May 2022 19:46:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 08:42:08.421466
• Title: A Model-Free Sampling Method for Estimating Basins of Attraction Using Hybrid Active Learning (HAL)
• Title（参考訳）: ハイブリッド能動学習(HAL)を用いたアトラクションの流域推定のためのモデルフリーサンプリング法
• Authors: Xue-She Wang, Samuel A. Moore, James D. Turner, Brian P. Mann
• Abstract要約: 本稿では,非線形システムにおけるアトラクションの流域(BoA)を理解するためのモデルフリーサンプリング手法を提案する。 提案手法はハイブリッド能動学習 (HAL) に基づいており, インフォーマティブなサンプルの発見とラベル付けを目的としている。 双安定非線形系に対するBoA推定の例を示し,HALサンプリング法の高効率性を示す。
• 参考スコア（独自算出の注目度）: 1.3764085113103222
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the basins of attraction (BoA) is often a paramount consideration for nonlinear systems. Most existing approaches to determining a high-resolution BoA require prior knowledge of the system's dynamical model (e.g., differential equation or point mapping for continuous systems, cell mapping for discrete systems, etc.), which allows derivation of approximate analytical solutions or parallel computing on a multi-core computer to find the BoA efficiently. However, these methods are typically impractical when the BoA must be determined experimentally or when the system's model is unknown. This paper introduces a model-free sampling method for BoA. The proposed method is based upon hybrid active learning (HAL) and is designed to find and label the "informative" samples, which efficiently determine the boundary of BoA. It consists of three primary parts: 1) additional sampling on trajectories (AST) to maximize the number of samples obtained from each simulation or experiment; 2) an active learning (AL) algorithm to exploit the local boundary of BoA; and 3) a density-based sampling (DBS) method to explore the global boundary of BoA. An example of estimating the BoA for a bistable nonlinear system is presented to show the high efficiency of our HAL sampling method.
• Abstract（参考訳）: 引力の盆地(BoA)を理解することは、しばしば非線形システムにとって最重要事項である。 高分解能boaを決定するための既存のアプローチのほとんどは、システムの力学モデル(例えば、連続系の微分方程式や点マッピング、離散系のためのセルマッピングなど)の事前知識を必要としており、近似解析解の導出やマルチコアコンピュータ上での並列計算を効率的に行うことができる。 しかし、これらの方法は通常、boaが実験的に決定されなければならないときや、システムのモデルが不明なとき、非実用的である。 本稿では,BoAのモデルフリーサンプリング手法を提案する。 提案手法はハイブリッド能動学習(HAL)に基づいており,BoAの境界を効率的に決定する「情報的」標本の発見とラベル付けを目的としている。 3つの主要な部分からなる。 1) シミュレーション又は実験から得られたサンプル数を最大化するための軌道(ast)への追加サンプリング 2)BoAの局所的境界を利用するアクティブラーニング(AL)アルゴリズム 3)BoAの大域的境界を探索する密度ベースサンプリング法 (DBS) を提案する。 双安定非線形系に対するBoA推定の例を示し,HALサンプリング法の高効率性を示す。

関連論文リスト

• Model-Free Active Exploration in Reinforcement Learning [53.786439742572995]
  強化学習における探索問題について検討し,新しいモデルフリーソリューションを提案する。 我々の戦略は、最先端の探査アプローチよりも高速に効率的な政策を特定できる。
  論文  参考訳（メタデータ） (2024-06-30T19:00:49Z)
• Space-Time Diffusion Bridge [0.4527270266697462]
  実確率分布から独立かつ同一に分布する新しい合成サンプルを生成する方法を提案する。 時空間次元にまたがる時空間混合戦略を用いる。 数値実験による時空拡散法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-02-13T23:26:11Z)
• Maximize to Explore: One Objective Function Fusing Estimation, Planning, and Exploration [87.53543137162488]
  我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。 textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。 様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
  論文  参考訳（メタデータ） (2023-05-29T17:25:26Z)
• Fast Bayesian Inference with Batch Bayesian Quadrature via Kernel Recombination [23.6031259333814]
  確率収束率を有する並列(バッチ)ベイズ二次法(BQ)を提案する。 提案手法は,各種実世界のデータセットにおける最先端BQ手法とNested Smplingの両方のサンプリング効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-06-09T19:14:52Z)
• A Lagrangian Duality Approach to Active Learning [119.36233726867992]
  トレーニングデータのサブセットのみをラベル付けするバッチアクティブな学習問題を考察する。 制約付き最適化を用いて学習問題を定式化し、各制約はラベル付きサンプルにモデルの性能を拘束する。 数値実験により,提案手法は最先端の能動学習法と同等かそれ以上に機能することを示した。
  論文  参考訳（メタデータ） (2022-02-08T19:18:49Z)
• Residual Overfit Method of Exploration [78.07532520582313]
  提案手法は,2点推定値の調整と1点オーバーフィットに基づく近似探索手法を提案する。 このアプローチは、調整されたモデルと比較して、オーバーフィットモデルが最も過度な適合を示すアクションへの探索を促進する。 ROMEを3つのデータセット上の確立されたコンテキスト的帯域幅法と比較し、最も優れたパフォーマンスの1つとみなす。
  論文  参考訳（メタデータ） (2021-10-06T17:05:33Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• Deep Active Learning for Solvability Prediction in Power Systems [7.634675607430369]
  本稿では,電力系統の可解性予測のためのディープラーニングフレームワークを提案する。 すべてのインスタンスがラベル付けされた後、トレーニングが行われる受動的学習方法と比較して、アクティブラーニングはラベル付けする最も情報性の高いインスタンスを選択する。
  論文  参考訳（メタデータ） (2020-07-27T00:13:09Z)
• Scalable Computations of Wasserstein Barycenter via Input Convex Neural Networks [15.171726731041055]
  ワッサーシュタイン・バリーセンター(Wasserstein Barycenter)は、与えられた確率分布の集合の重み付き平均を表す原理的なアプローチである。 本稿では,Wasserstein Barycentersを機械学習の高次元的応用を目的とした,スケーラブルな新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-08T22:41:18Z)
• Localized active learning of Gaussian process state space models [63.97366815968177]
  多くの共通制御アプリケーションにおいて、優れた性能を達成するためには、グローバルに正確なモデルを必要としない。 本稿では,状態-作用空間の有界部分集合上の正確なモデルを得ることを目的としたガウス過程状態空間モデルに対する能動的学習戦略を提案する。 モデル予測制御を用いることで、探索中に収集した情報を統合し、探索戦略を適応的に改善する。
  論文  参考訳（メタデータ） (2020-05-04T05:35:02Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。