論文の概要: Identifying Causal Structure in Dynamical Systems
- arxiv url: http://arxiv.org/abs/2006.03906v2
- Date: Mon, 18 Jul 2022 06:29:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 21:33:55.820827
- Title: Identifying Causal Structure in Dynamical Systems
- Title(参考訳): 力学系における因果構造同定
- Authors: Dominik Baumann, Friedrich Solowjow, Karl H. Johansson, and Sebastian
Trimpe
- Abstract要約: 制御系の因果構造を同定する手法を提案する。
ロボットアームの実験では、実世界のデータから信頼性の高い因果同定が示されている。
- 参考スコア(独自算出の注目度): 6.451261098085498
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mathematical models are fundamental building blocks in the design of
dynamical control systems. As control systems are becoming increasingly complex
and networked, approaches for obtaining such models based on first principles
reach their limits. Data-driven methods provide an alternative. However,
without structural knowledge, these methods are prone to finding spurious
correlations in the training data, which can hamper generalization capabilities
of the obtained models. This can significantly lower control and prediction
performance when the system is exposed to unknown situations. A preceding
causal identification can prevent this pitfall. In this paper, we propose a
method that identifies the causal structure of control systems. We design
experiments based on the concept of controllability, which provides a
systematic way to compute input trajectories that steer the system to specific
regions in its state space. We then analyze the resulting data leveraging
powerful techniques from causal inference and extend them to control systems.
Further, we derive conditions that guarantee the discovery of the true causal
structure of the system. Experiments on a robot arm demonstrate reliable causal
identification from real-world data and enhanced generalization capabilities.
- Abstract(参考訳): 数学的モデルは動的制御系の設計における基本的な構成要素である。
制御システムはますます複雑でネットワーク化されつつあり、第一原理に基づくモデルを得るためのアプローチは限界に達している。
データ駆動型メソッドは代替手段を提供する。
しかし、構造的な知識がなければ、これらの手法はトレーニングデータに散発的な相関を見つけやすいため、得られたモデルの一般化能力を妨げる可能性がある。
これにより、システムが未知の状況に晒された場合、制御と予測性能が著しく低下する。
先行する因果識別は、この落とし穴を防ぐことができる。
本稿では,制御系の因果構造を同定する手法を提案する。
制御可能性の概念に基づく実験を設計し、状態空間内の特定の領域にシステムを操る入力軌跡を体系的に計算する方法を提供する。
次に,因果推論の強力な手法を用いて得られたデータを解析し,制御系に拡張する。
さらに,システムの真の因果構造の発見を保証する条件を導出する。
ロボットアームの実験は、実世界のデータから信頼できる因果識別を示し、一般化能力を高める。
関連論文リスト
- Fault Detection and Monitoring using a Data-Driven Information-Based Strategy: Method, Theory, and Application [5.056456697289351]
本稿では,新しいコンセプトドリフト検出器に基づく情報駆動型故障検出手法を提案する。
本手法は,加法雑音モデルの入出力関係におけるドリフトの同定に適している。
提案したMIに基づく故障検出手法の理論的特性を実証する。
論文 参考訳(メタデータ) (2024-05-06T17:43:39Z) - Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳(メタデータ) (2024-02-04T05:50:38Z) - Physics-Informed Kernel Embeddings: Integrating Prior System Knowledge
with Data-Driven Control [22.549914935697366]
カーネル埋め込みを用いたデータ駆動制御アルゴリズムに事前知識を組み込む手法を提案する。
提案手法は,カーネル学習問題におけるバイアス項として,システムダイナミクスの事前知識を取り入れたものである。
純粋にデータ駆動ベースライン上でのサンプル効率の向上と,我々のアプローチのアウト・オブ・サンプル一般化を実証する。
論文 参考訳(メタデータ) (2023-01-09T18:35:32Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳(メタデータ) (2021-12-15T20:09:20Z) - Sparsity in Partially Controllable Linear Systems [56.142264865866636]
本研究では, 部分制御可能な線形力学系について, 基礎となる空間パターンを用いて検討する。
最適制御には無関係な状態変数を特徴付ける。
論文 参考訳(メタデータ) (2021-10-12T16:41:47Z) - Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。
予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。
本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文 参考訳(メタデータ) (2021-09-06T04:39:06Z) - Beyond Predictions in Neural ODEs: Identification and Interventions [7.04645578771455]
システムに関する大量の観測データがあれば、その進化を規定するルールを解明できるだろうか?
単純な正規化スキームとフレキシブルなニューラルODEを組み合わせることで,時系列データから動的・因果構造を頑健に復元できることを示す。
我々は、変数やシステム自体の介入の下で正確な予測を行うこともできることを示して結論付けます。
論文 参考訳(メタデータ) (2021-06-23T14:35:38Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳(メタデータ) (2020-12-15T16:29:49Z) - Knowledge-Based Learning of Nonlinear Dynamics and Chaos [3.673994921516517]
本稿では,非線形システムから観測結果に基づいて予測モデルを抽出するための普遍的な学習フレームワークを提案する。
我々のフレームワークは、非線形システムを連続時間系として自然にモデル化するため、第一原理知識を容易に組み込むことができる。
論文 参考訳(メタデータ) (2020-10-07T13:50:13Z) - How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
本稿では,トレーニングデータの密度と制御性能の関係を考察する。
データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。
フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
論文 参考訳(メタデータ) (2020-05-25T12:13:49Z)
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。