論文の概要: Deep State Space Models for Nonlinear System Identification
- arxiv url: http://arxiv.org/abs/2003.14162v3
- Date: Fri, 18 Jun 2021 12:34:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 00:29:58.695727
- Title: Deep State Space Models for Nonlinear System Identification
- Title(参考訳): 非線形システム同定のための深部状態空間モデル
- Authors: Daniel Gedon, Niklas Wahlstr\"om, Thomas B. Sch\"on, Lennart Ljung
- Abstract要約: 深層状態空間モデル(Deep State Space Model, SSM)は、ディープラーニングコミュニティで開発された時間モデルのための、活発に研究されているモデルクラスである。
ブラックボックス識別モデルとしてのディープSSMの使用は、ディープニューラルネットワークの柔軟性による幅広いダイナミックスを記述することができる。
- 参考スコア(独自算出の注目度): 0.22940141855172028
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep state space models (SSMs) are an actively researched model class for
temporal models developed in the deep learning community which have a close
connection to classic SSMs. The use of deep SSMs as a black-box identification
model can describe a wide range of dynamics due to the flexibility of deep
neural networks. Additionally, the probabilistic nature of the model class
allows the uncertainty of the system to be modelled. In this work a deep SSM
class and its parameter learning algorithm are explained in an effort to extend
the toolbox of nonlinear identification methods with a deep learning based
method. Six recent deep SSMs are evaluated in a first unified implementation on
nonlinear system identification benchmarks.
- Abstract(参考訳): 深層状態空間モデル (Deep State Space Model, SSM) は、古典的なSSMと密接な関係を持つディープラーニングコミュニティで開発された時間モデルのモデルクラスである。
ブラックボックス識別モデルとしてのディープSSMの使用は、ディープニューラルネットワークの柔軟性による幅広いダイナミックスを記述することができる。
さらに、モデルクラスの確率的性質により、システムの不確実性がモデル化される。
本稿では, 深層ssmクラスとそのパラメータ学習アルゴリズムについて, 深層学習に基づく手法を用いて, 非線形同定法のツールボックスを拡張するために解説する。
最近の6つのディープssmは、非線形システム識別ベンチマークの最初の統一実装で評価されている。
関連論文リスト
- Semi-Supervised Learning of Dynamical Systems with Neural Ordinary
Differential Equations: A Teacher-Student Model Approach [10.20098335268973]
TS-NODEは、NODEで動的システムのモデリングを行うための、最初の半教師付きアプローチである。
複数の動的システムモデリングタスクにおいて,ベースラインのNeural ODEモデルよりも優れた性能を示す。
論文 参考訳(メタデータ) (2023-10-19T19:17:12Z) - Sparse Modular Activation for Efficient Sequence Modeling [94.11125833685583]
線形状態空間モデルと自己アテンション機構を組み合わせた最近のモデルでは、様々なシーケンスモデリングタスクにおいて顕著な結果が示されている。
現在のアプローチでは、アテンションモジュールを静的かつ均一に入力シーケンスのすべての要素に適用し、最適以下の品質効率のトレードオフをもたらす。
SMA(Sparse Modular Activation)は,ニューラルネットワークが配列要素のサブモジュールを異なる方法でスパースに活性化する機構である。
論文 参考訳(メタデータ) (2023-06-19T23:10:02Z) - Point2SSM: Learning Morphological Variations of Anatomies from Point
Cloud [5.874142059884521]
原点雲から直接対応型統計形状モデル(SSM)を構築するための新しい教師なし学習手法であるPoint2SSMを提案する。
SSMは臨床研究において重要であり、骨や臓器の形態的変化の集団レベルでの分析を可能にする。
論文 参考訳(メタデータ) (2023-05-23T19:36:24Z) - Can point cloud networks learn statistical shape models of anatomies? [0.0]
クラウド・エンコーダ・デコーダ・ベース・コンプリート・ネットワークは,統計的形状モデリングにおいて未解決の可能性を秘めていることを示す。
私たちの研究は、SSMのためのポイントクラウド深層学習のさらなる探求の道を開くものです。
論文 参考訳(メタデータ) (2023-05-09T17:01:17Z) - ConCerNet: A Contrastive Learning Based Framework for Automated
Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。
本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文 参考訳(メタデータ) (2023-02-11T21:07:30Z) - A critical look at deep neural network for dynamic system modeling [0.0]
本稿では,入力出力データを用いた動的システムのモデリングにおける(深度)ニューラルネットワークの能力に疑問を呈する。
線形時間不変(LTI)力学系の同定には、2つの代表的なニューラルネットワークモデルを比較する。
LTIシステムでは、LSTMとCFNNはノイズのないケースでも一貫したモデルを提供できない。
論文 参考訳(メタデータ) (2023-01-27T09:03:05Z) - Meta-Learning of Neural State-Space Models Using Data From Similar
Systems [11.206109495578705]
本稿では,深層エンコーダネットワークを用いたSSM構築のためのモデルに依存しないメタラーニングを提案する。
メタラーニングは教師付き学習や伝達学習よりも正確な神経SSMモデルが得られることを示す。
論文 参考訳(メタデータ) (2022-11-14T22:03:35Z) - KalmanNet: Neural Network Aided Kalman Filtering for Partially Known
Dynamics [84.18625250574853]
KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。
我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
論文 参考訳(メタデータ) (2021-07-21T12:26:46Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳(メタデータ) (2021-06-17T17:26:31Z) - An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。
この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文 参考訳(メタデータ) (2020-06-19T22:05:19Z) - Learning Stable Deep Dynamics Models [91.90131512825504]
状態空間全体にわたって安定することが保証される力学系を学習するためのアプローチを提案する。
このような学習システムは、単純な力学系をモデル化することができ、複雑な力学を学習するために追加の深層生成モデルと組み合わせることができることを示す。
論文 参考訳(メタデータ) (2020-01-17T00:04:45Z)
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。