論文の概要: Learning Partially Observed Linear Dynamical Systems from Logarithmic
Number of Samples
- arxiv url: http://arxiv.org/abs/2010.04015v1
- Date: Thu, 8 Oct 2020 14:23:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 11:58:20.328244
- Title: Learning Partially Observed Linear Dynamical Systems from Logarithmic
Number of Samples
- Title（参考訳）: 対数的サンプル数から部分観測線形力学系を学習する
- Authors: Salar Fattahi
- Abstract要約: 本研究では,1つの試料軌道から部分的に観測された線形力学系を学習する問題について検討する。
その結果, 部分的に観察された線形力学系を学習することで, サンプルの複雑さを著しく向上させることができた。
- 参考スコア（独自算出の注目度）: 4.7464518249313805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we study the problem of learning partially observed linear
dynamical systems from a single sample trajectory. A major practical challenge
in the existing system identification methods is the undesirable dependency of
their required sample size on the system dimension: roughly speaking, they
presume and rely on sample sizes that scale linearly with respect to the system
dimension. Evidently, in high-dimensional regime where the system dimension is
large, it may be costly, if not impossible, to collect as many samples from the
unknown system. In this paper, we will remedy this undesirable dependency on
the system dimension by introducing an $\ell_1$-regularized estimation method
that can accurately estimate the Markov parameters of the system, provided that
the number of samples scale logarithmically with the system dimension. Our
result significantly improves the sample complexity of learning partially
observed linear dynamical systems: it shows that the Markov parameters of the
system can be learned in the high-dimensional setting, where the number of
samples is significantly smaller than the system dimension. Traditionally, the
$\ell_1$-regularized estimators have been used to promote sparsity in the
estimated parameters. By resorting to the notion of "weak sparsity", we show
that, irrespective of the true sparsity of the system, a similar regularized
estimator can be used to reduce the sample complexity of learning partially
observed linear systems, provided that the true system is inherently stable.
- Abstract（参考訳）: 本研究では,単一サンプル軌道から部分的に観測された線形力学系を学習する問題について検討する。
既存のシステム識別手法における大きな課題は、必要なサンプルサイズがシステム次元に望ましくない依存である: 大まかに言えば、それらはシステム次元に対して線形にスケールするサンプルサイズを推定し、依存する。
システム次元が大きい高次元の状態では、未知のシステムからできるだけ多くのサンプルを収集することは、不可能ではないとしても費用がかかる可能性がある。
本稿では,システムのマルコフパラメータを正確に推定できる$\ell_1$-regularized estimation法を導入することで,システム次元に対するこの望ましくない依存性を解消する。
その結果, 局所的に観測された線形力学系を学習するサンプルの複雑さが著しく向上し, マルコフパラメータを高次元で学習できることがわかった。
伝統的に、$\ell_1$-regularized estimatorは推定パラメータの空間性を促進するために使われてきた。
弱疎度」の概念を用いて、系の真の疎度によらず、同様の正規化推定器を用いて、真の系が本質的に安定であることから、部分的に観察された線形系を学習する際のサンプルの複雑さを低減することができる。
関連論文リスト
- A least-square method for non-asymptotic identification in linear switching control [17.938732931331064]
基礎となる部分観測線形力学系は、既知の候補モデルの有限集合内にあることが知られている。
線形最小二乗法の非漸近解析における最近の進歩を活用して、この問題の有限時間サンプル複雑性を特徴づける。
基礎となるシステムの未知のパラメータを識別するデータ駆動型スイッチング戦略を提案する。
論文 参考訳（メタデータ） (2024-04-11T20:55:38Z) - Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。
理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。
本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
論文 参考訳（メタデータ） (2022-10-12T06:46:38Z) - Finite Sample Identification of Bilinear Dynamical Systems [29.973598501311233]
未知の双線形系を高い確率で所望の精度で推定する方法を示す。
サンプルの複雑性と統計的誤差率は, 軌道長, 系の寸法, 入力サイズで最適である。
論文 参考訳（メタデータ） (2022-08-29T22:34:22Z) - Learning to Control Linear Systems can be Hard [19.034920102339573]
線形システムを制御するための学習の統計的困難さについて検討する。
我々は、学習の複雑さが制御可能性指数と最も指数関数的であることを証明した。
論文 参考訳（メタデータ） (2022-05-27T15:07:30Z) - Structure-Preserving Learning Using Gaussian Processes and Variational
Integrators [62.31425348954686]
本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。
我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
論文 参考訳（メタデータ） (2021-12-10T11:09:29Z) - Large-Scale System Identification Using a Randomized SVD [4.567810220723372]
近似行列因数分解は、実現アルゴリズムにおける標準SVDを置き換えることができることを示す。
これはモデルを作ることができる唯一の方法です。
論文 参考訳（メタデータ） (2021-09-06T19:25:15Z) - 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) - Linear Systems can be Hard to Learn [12.834033463883085]
線形システムクラスを統計的に習得するのは、システム次元のサンプル複雑性を持つ。
統計的に線形システムクラスを学習するのは、少なくともシステム次元に比例する最悪のサンプル複雑性を持つ。
論文 参考訳（メタデータ） (2021-04-02T15:58:30Z) - 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) - 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) - 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)
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。