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
- Learning Subsystem Dynamics in Nonlinear Systems via Port-Hamiltonian Neural Networks [0.0]
ポート・ハミルトンニューラルネットワーク(pHNN)は、物理法則とディープラーニング技術を統合する強力なモデリングツールとして登場している。
本研究では,入力出力測定のみに基づいて,pHNNを用いてサブシステムを特定する手法を提案する。
論文 参考訳(メタデータ) (2024-11-08T17:41:51Z) - Recursive Learning of Asymptotic Variational Objectives [49.69399307452126]
一般状態空間モデル(英: General State-space Model, SSM)は、統計機械学習において広く用いられ、時系列データに対して最も古典的な生成モデルの一つである。
オンラインシーケンシャルIWAE(OSIWAE)は、潜在状態の推測のためのモデルパラメータとマルコフ認識モデルの両方のオンライン学習を可能にする。
このアプローチは、最近提案されたオンライン変分SMC法よりも理論的によく確立されている。
論文 参考訳(メタデータ) (2024-11-04T16:12:37Z) - Deep Learning of Dynamic Systems using System Identification Toolbox(TM) [1.7537651436360189]
ツールボックスは、自動エンコーディング機能で拡張可能なニューラルステートスペースモデルを提供する。
このツールボックスには、最先端の機械学習技術との統合を深める他のいくつかの拡張が含まれている。
論文 参考訳(メタデータ) (2024-09-11T21:54:17Z) - Towards a theory of learning dynamics in deep state space models [12.262490032020832]
状態空間モデル(SSM)は多くの長いシーケンスモデリングタスクにおいて顕著な経験的性能を示した。
この研究は、ディープステート空間モデルにおける動的学習の理論への一歩である。
論文 参考訳(メタデータ) (2024-07-10T00:01:56Z) - Mamba-FSCIL: Dynamic Adaptation with Selective State Space Model for Few-Shot Class-Incremental Learning [113.89327264634984]
FSCIL(Few-shot class-incremental Learning)は、最小限のトレーニングサンプルを持つモデルに新しいクラスを統合するという課題に直面している。
従来の手法では、固定パラメータ空間に依存する静的適応を広く採用し、逐次到着するデータから学習する。
本稿では、動的適応のための中間特徴に基づいてプロジェクションパラメータを動的に調整する2つの選択型SSMプロジェクタを提案する。
論文 参考訳(メタデータ) (2024-07-08T17:09:39Z) - 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) - 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) - 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。