論文の概要: A Kernel Two-sample Test for Dynamical Systems
- arxiv url: http://arxiv.org/abs/2004.11098v3
- Date: Sun, 4 Sep 2022 18:42:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-10 09:01:03.295928
- Title: A Kernel Two-sample Test for Dynamical Systems
- Title(参考訳): 動的システムのカーネル2サンプルテスト
- Authors: Friedrich Solowjow, Dominik Baumann, Christian Fiedler, Andreas
Jocham, Thomas Seel, and Sebastian Trimpe
- Abstract要約: データストリームが同じ分布から引き出されるかどうかを評価することは、さまざまな機械学習問題の中心にある。
これは、生体医療、経済、工学システムにおいて、そのようなシステムが多くの現実世界のプロセスに不可欠であるため、動的システムによって生成されるデータに特に関係している。
i) 関連するメトリックにおける自己相関を捉える混合の概念を導入し、(ii) データにのみ依存する混合の速度を推定する効率的な方法を提案し、(iii) 確立されたカーネルの2サンプルテストに統合する。
- 参考スコア(独自算出の注目度): 7.198860143325813
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evaluating whether data streams are drawn from the same distribution is at
the heart of various machine learning problems. This is particularly relevant
for data generated by dynamical systems since such systems are essential for
many real-world processes in biomedical, economic, or engineering systems.
While kernel two-sample tests are powerful for comparing independent and
identically distributed random variables, no established method exists for
comparing dynamical systems. The main problem is the inherently violated
independence assumption. We propose a two-sample test for dynamical systems by
addressing three core challenges: we (i) introduce a novel notion of mixing
that captures autocorrelations in a relevant metric, (ii) propose an efficient
way to estimate the speed of mixing relying purely on data, and (iii) integrate
these into established kernel two-sample tests. The result is a data-driven
method that is straightforward to use in practice and comes with sound
theoretical guarantees. In an example application to anomaly detection from
human walking data, we show that the test is readily applicable without any
human expert knowledge and feature engineering.
- Abstract(参考訳): データストリームが同じ分布から引き出されるかどうかを評価することは、さまざまな機械学習問題の中心である。
これは、生体医療、経済、工学システムにおいて、そのようなシステムが多くの現実世界のプロセスに不可欠であるため、動的システムによって生成されるデータに特に関係している。
カーネル2つのサンプルテストは独立変数と同一分散確率変数を比較するのに強力であるが、力学系を比較するための確立された方法は存在しない。
主な問題は、本質的に侵害された独立の仮定である。
我々は,3つの課題に対処して,動的システムの2サンプルテストを提案する。
(i)関連する計量で自己相関を捉える混合という新しい概念を導入する。
(二)純粋にデータに依存して混合の速度を推定する効率的な方法を提案し、
(iii)確立されたカーネル2サンプルテストに統合する。
その結果、実際に使うのが簡単で、理論的な保証があるデータ駆動型メソッドが出来上がります。
人間の歩行データからの異常検出の例として,人間の知識や特徴工学を使わずに,テストが容易に適用可能であることを示す。
関連論文リスト
- Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。
我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。
当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文 参考訳(メタデータ) (2024-11-04T11:09:58Z) - Automating the Discovery of Partial Differential Equations in Dynamical Systems [0.0]
適応型ラッソを用いてスパースレグレッションを利用して自動的にPDEを識別するARGOSフレームワークARGOS-RALの拡張を提案する。
各種ノイズレベルおよびサンプルサイズの下での標準PDEの同定におけるARGOS-RALの性能を厳格に評価した。
以上の結果から,ARGOS-ALはデータから基礎となるPDEを効果的かつ確実に同定し,ほとんどの場合において逐次しきい値リッジ回帰法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2024-04-25T09:23:03Z) - Counterfactual Explanation via Search in Gaussian Mixture Distributed
Latent Space [19.312306559210125]
対実説明(CE)は2つの問題に対処するアルゴリズム・リコースにおいて重要なツールである。
簡単に理解しやすい説明を提供することによって、AIシステムに対するユーザのインタラクションを導くことは、AIシステムの信頼できる採用と長期的な受け入れに不可欠である。
本稿では,まずオートエンコーダの潜伏空間をガウス分布の混合として形成することにより,事前学習されたバイナリ分類器のCEを生成する手法を提案する。
論文 参考訳(メタデータ) (2023-07-25T10:21:26Z) - Learning Latent Dynamics via Invariant Decomposition and
(Spatio-)Temporal Transformers [0.6767885381740952]
本研究では,高次元経験データから力学系を学習する手法を提案する。
我々は、システムの複数の異なるインスタンスからデータが利用できる設定に焦点を当てる。
我々は、単純な理論的分析と、合成および実世界のデータセットに関する広範な実験を通して行動を研究する。
論文 参考訳(メタデータ) (2023-06-21T07:52:07Z) - Automatically identifying ordinary differential equations from data [0.0]
本稿では,信号の平滑化にデノナイジング技術を統合することによって,動的法則を同定する手法を提案する。
ランダムな初期条件のアンサンブルを持つよく知られた常微分方程式について,本手法の評価を行った。
論文 参考訳(メタデータ) (2023-04-21T18:00:03Z) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳(メタデータ) (2023-04-21T02:20:24Z) - Identifying the Dynamics of a System by Leveraging Data from Similar
Systems [1.9813182042770605]
類似したシステムによって生成されたサンプルにアクセスできる場合,線形系の力学を同定する問題について検討する。
重み付き最小二乗法を用いて、同定された力学の品質に関する有限サンプル性能保証を行う。
論文 参考訳(メタデータ) (2022-04-11T23:47:06Z) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳(メタデータ) (2022-02-25T20:00:56Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳(メタデータ) (2020-10-29T08:27:43Z) - Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。
そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。
本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文 参考訳(メタデータ) (2020-06-18T04:54:11Z) - Learning Deep Kernels for Non-Parametric Two-Sample Tests [50.92621794426821]
2組のサンプルが同じ分布から引き出されるかどうかを判定するカーネルベースの2サンプルテストのクラスを提案する。
私たちのテストは、テストパワーを最大化するためにトレーニングされたディープニューラルネットワークによってパラメータ化されたカーネルから構築されます。
論文 参考訳(メタデータ) (2020-02-21T03:54:23Z)
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。