論文の概要: Variational Inference and Learning of Piecewise-linear Dynamical Systems
- arxiv url: http://arxiv.org/abs/2006.01668v2
- Date: Mon, 2 Nov 2020 14:37:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 23:07:32.852330
- Title: Variational Inference and Learning of Piecewise-linear Dynamical Systems
- Title(参考訳): 区分線形力学系の変分推論と学習
- Authors: Xavier Alameda-Pineda, Vincent Drouard and Radu Horaud
- Abstract要約: 本稿では,線形力学系の変分近似を提案する。
モデルパラメータは静的パラメータと動的パラメータの2つの集合に分割でき、元のパラメータは線形モードの数やスイッチング変数の状態の数とともにオフラインで推定できることを示す。
- 参考スコア(独自算出の注目度): 33.23231229260119
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling the temporal behavior of data is of primordial importance in many
scientific and engineering fields. Baseline methods assume that both the
dynamic and observation equations follow linear-Gaussian models. However, there
are many real-world processes that cannot be characterized by a single linear
behavior. Alternatively, it is possible to consider a piecewise-linear model
which, combined with a switching mechanism, is well suited when several modes
of behavior are needed. Nevertheless, switching dynamical systems are
intractable because of their computational complexity increases exponentially
with time. In this paper, we propose a variational approximation of piecewise
linear dynamical systems. We provide full details of the derivation of two
variational expectation-maximization algorithms, a filter and a smoother. We
show that the model parameters can be split into two sets, static and dynamic
parameters, and that the former parameters can be estimated off-line together
with the number of linear modes, or the number of states of the switching
variable. We apply the proposed method to a visual tracking problem, namely
head-pose tracking, and we thoroughly compare our algorithm with several state
of the art trackers.
- Abstract(参考訳): データの時間的挙動のモデル化は、多くの科学および工学分野において基礎的な重要性を持つ。
ベースライン法は、動的方程式と観測方程式の両方が線形ゲージモデルに従うと仮定する。
しかし、単一の線形な振る舞いで特徴づけられない現実世界のプロセスは数多く存在する。
あるいは、スイッチング機構と組み合わさった分割線形モデルを考えることも可能であり、複数の動作モードが必要な場合に適している。
それでも、動的システムの切り替えは、計算複雑性が時間とともに指数関数的に増加するため、困難である。
本稿では,一方向線形力学系の変分近似を提案する。
2つの変分期待最大化アルゴリズム(フィルタとスムーザ)の導出について、詳細を述べる。
モデルパラメータは静的パラメータと動的パラメータの2つの集合に分割でき、元のパラメータは線形モードの数やスイッチング変数の状態の数とともにオフラインで推定できることを示す。
提案手法を視覚的トラッキング問題,すなわち頭部追跡問題に適用し,本アルゴリズムとアートトラッカーのいくつかの状態を徹底的に比較する。
関連論文リスト
- Deep Generative Modeling for Identification of Noisy, Non-Stationary Dynamical Systems [3.1484174280822845]
非線形・雑音・非自律力学系に対する擬似常微分方程式(ODE)モデルを求めることに集中する。
提案手法は,SINDyとSINDy(非線形力学のスパース同定)を結合し,スパースODEの時間変化係数をモデル化する。
論文 参考訳(メタデータ) (2024-10-02T23:00:00Z) - Data-Driven Model Selections of Second-Order Particle Dynamics via
Integrating Gaussian Processes with Low-Dimensional Interacting Structures [0.9821874476902972]
我々は、一般の2階粒子モデルにおけるデータ駆動的な発見に焦点を当てる。
本稿では、2つの実世界の魚の動きデータセットのモデリングへの応用について述べる。
論文 参考訳(メタデータ) (2023-11-01T23:45:15Z) - Efficient Interpretable Nonlinear Modeling for Multiple Time Series [5.448070998907116]
本稿では,複数時系列に対する効率的な非線形モデリング手法を提案する。
異なる時系列変数間の非線形相互作用を含む。
実験結果から,提案アルゴリズムは相似的にVAR係数の支持値の同定を改善することが示された。
論文 参考訳(メタデータ) (2023-09-29T11:42:59Z) - Propagating Kernel Ambiguity Sets in Nonlinear Data-driven Dynamics
Models [3.743859059772078]
非線形データ駆動力学系モデルを考えると、複数のステップで曖昧性セットを前進させるにはどうすればよいのか?
この問題は、データ分散シフトの下で、そのような学習システムモデルの分散ロバストな制御と学習に基づく制御を解決する鍵となる。
そこで我々は,カーネルの最大平均誤差幾何学を用いて,コオプマン演算子とCMEを用いた非線形データ駆動モデルを用いて曖昧性集合を正確に伝播するアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-27T09:38:49Z) - Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。
ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。
ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文 参考訳(メタデータ) (2022-04-09T22:07:34Z) - Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。
本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
論文 参考訳(メタデータ) (2022-03-23T12:52:49Z) - Time varying regression with hidden linear dynamics [74.9914602730208]
線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。
反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
論文 参考訳(メタデータ) (2021-12-29T23:37:06Z) - Linear embedding of nonlinear dynamical systems and prospects for
efficient quantum algorithms [74.17312533172291]
有限非線形力学系を無限線型力学系(埋め込み)にマッピングする方法を述べる。
次に、有限線型系 (truncation) による結果の無限線型系を近似するアプローチを検討する。
論文 参考訳(メタデータ) (2020-12-12T00:01:10Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳(メタデータ) (2020-06-16T21:56:22Z) - Tensorized Transformer for Dynamical Systems Modeling [0.0]
動的システムモデリングと言語モデリングタスクの並列性を確立する。
本稿では,データの幾何学的性質を組み込んだトランスモデルを提案する。
高次元力学系の条件確率の細粒度近似を可能にする反復的学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-05T13:43:37Z) - Variational Hyper RNN for Sequence Modeling [69.0659591456772]
本稿では,時系列データにおける高変数の取得に優れる新しい確率的シーケンスモデルを提案する。
提案手法では,時間潜時変数を用いて基礎となるデータパターンに関する情報をキャプチャする。
提案手法の有効性を,合成および実世界のシーケンシャルデータに示す。
論文 参考訳(メタデータ) (2020-02-24T19:30:32Z)
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。