論文の概要: Active Learning for Nonlinear System Identification with Guarantees

• arxiv url: http://arxiv.org/abs/2006.10277v1
• Date: Thu, 18 Jun 2020 04:54:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 13:23:03.170262
• Title: Active Learning for Nonlinear System Identification with Guarantees
• Title（参考訳）: 保証付き非線形システム同定のための能動学習
• Authors: Horia Mania, Michael I. Jordan, Benjamin Recht
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 102.43355665393067
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While the identification of nonlinear dynamical systems is a fundamental building block of model-based reinforcement learning and feedback control, its sample complexity is only understood for systems that either have discrete states and actions or for systems that can be identified from data generated by i.i.d. random inputs. Nonetheless, many interesting dynamical systems have continuous states and actions and can only be identified through a judicious choice of inputs. Motivated by practical settings, we study a class of nonlinear dynamical systems whose state transitions depend linearly on a known feature embedding of state-action pairs. To estimate such systems in finite time identification methods must explore all directions in feature space. We propose an active learning approach that achieves this by repeating three steps: trajectory planning, trajectory tracking, and re-estimation of the system from all available data. We show that our method estimates nonlinear dynamical systems at a parametric rate, similar to the statistical rate of standard linear regression.
• Abstract（参考訳）: 非線形力学系の同定はモデルに基づく強化学習とフィードバック制御の基本的な構成要素であるが、そのサンプルの複雑さは個々の状態や動作を持つシステムや、ランダム入力によって生成されたデータから識別できるシステムに対してのみ理解されている。 それにもかかわらず、多くの興味深い力学系は連続状態と作用を持ち、入力の選択によってのみ識別することができる。 本研究では, 状態遷移が既知の状態-作用対の機能埋め込みに依存する非線形力学系のクラスについて検討する。 このようなシステムを有限時間同定法で推定するには、特徴空間内のすべての方向を探索する必要がある。 そこで本稿では, 軌道計画, 軌道追跡, 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, これを実現する能動的学習手法を提案する。 本手法は,標準線形回帰の統計速度に類似したパラメトリックレートで非線形力学系を推定する。

関連論文リスト

• Learning System Dynamics without Forgetting [60.08612207170659]
  未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。 本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。 生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-06-30T14:55:18Z)
• Modeling Unknown Stochastic Dynamical System Subject to External Excitation [4.357350642401934]
  未知の非線形力学系を学習するための数値的手法を提案する。 私たちの基本的な前提は、システムの統治方程式は利用できないということです。 十分な量のI/Oデータが得られる場合,本手法は未知のダイナミクスを学習することができる。
  論文  参考訳（メタデータ） (2024-06-22T06:21:44Z)
• Non-asymptotic System Identification for Linear Systems with Nonlinear Policies [17.420749574975368]
  本稿では,一般非線形および/又は時変ポリシーの下での線形系に対する単一軌道系同定問題について考察する。 非線形および/または時間変化のポリシーによってデータ軌跡が生成されるとき、最小二乗推定のために非漸近誤差を与える。
  論文  参考訳（メタデータ） (2023-06-17T15:05:59Z)
• 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)
• Deep active learning for nonlinear system identification [0.4485566425014746]
  我々は非線形システム同定のための新しい深層能動学習手法を開発した。 グローバル探索は、最も情報に富む状態-行動軌道に対応する初期状態のバッチを取得する。 局所的な探索は最適な制御問題を解き、情報の測度を最大化する制御軌道を見つける。
  論文  参考訳（メタデータ） (2023-02-24T14:46:36Z)
• Learning Control-Oriented Dynamical Structure from Data [25.316358215670274]
  一般非線形制御アフィン系に対する状態依存非線形トラッキングコントローラの定式化について論じる。 安定軌跡追跡における学習版の有効性を実証的に実証した。
  論文  参考訳（メタデータ） (2023-02-06T02:01:38Z)
• 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)
• 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)
• Controlling nonlinear dynamical systems into arbitrary states using machine learning [77.34726150561087]
  機械学習(ML)を活用した,新しい完全データ駆動制御方式を提案する。 最近開発されたMLに基づく複雑なシステムの予測機能により、非線形系は任意の初期状態から来る任意の動的対象状態に留まることが証明された。 必要なデータ量が少なく,柔軟性の高いコントロールスキームを備えることで,工学から医学まで幅広い応用の可能性について簡単に議論する。
  論文  参考訳（メタデータ） (2021-02-23T16:58:26Z)
• 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)

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。