論文の概要: System Identification via Meta-Learning in Linear Time-Varying Environments

• arxiv url: http://arxiv.org/abs/2010.14664v2
• Date: Wed, 25 Nov 2020 21:09:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 13:25:32.413960
• Title: System Identification via Meta-Learning in Linear Time-Varying Environments
• Title（参考訳）: 線形時変環境におけるメタラーニングによるシステム同定
• Authors: Sen Lin, Hang Wang and Junshan Zhang
• Abstract要約: システム同定は、強化学習、制御理論、信号処理における基本的な問題である。 我々は,各ブロック内でモデルパラメータが一定でありながらブロックからブロックへ変化するLTVシステムのためのエピソードブロックモデルを開発する。 メタラーニングに基づくシステム識別の性能の包括的非漸近解析を行う。
• 参考スコア（独自算出の注目度）: 31.115084475673793
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: System identification is a fundamental problem in reinforcement learning, control theory and signal processing, and the non-asymptotic analysis of the corresponding sample complexity is challenging and elusive, even for linear time-varying (LTV) systems. To tackle this challenge, we develop an episodic block model for the LTV system where the model parameters remain constant within each block but change from block to block. Based on the observation that the model parameters across different blocks are related, we treat each episodic block as a learning task and then run meta-learning over many blocks for system identification, using two steps, namely offline meta-learning and online adaptation. We carry out a comprehensive non-asymptotic analysis of the performance of meta-learning based system identification. To deal with the technical challenges rooted in the sample correlation and small sample sizes in each block, we devise a new two-scale martingale small-ball approach for offline meta-learning, for arbitrary model correlation structure across blocks. We then quantify the finite time error of online adaptation by leveraging recent advances in linear stochastic approximation with correlated samples.
• Abstract（参考訳）: システム同定は強化学習、制御理論、信号処理において根本的な問題であり、線形時変(ltv)システムにおいても、対応するサンプル複雑性の非漸近解析は困難かつ不可解である。 この課題に対処するため,各ブロック内でモデルパラメータが一定でありながらブロックからブロックへ変化するLTVシステム用のエピソードブロックモデルを開発した。 異なるブロックにまたがるモデルパラメータが関連しているという観測に基づいて、各エピソディックブロックを学習タスクとして扱い、オフラインメタラーニングとオンライン適応という2つのステップを使用して、多くのブロックでメタラーニングを実行し、システム識別を行う。 メタラーニングに基づくシステム同定の性能の包括的非漸近的解析を行う。 各ブロックにおけるサンプル相関と小さなサンプルサイズに根ざした技術的課題に対処するため、ブロック間の任意のモデル相関構造のために、オフラインメタラーニングのための2スケールの小さなボールアプローチを考案した。 次に,オンライン適応の有限時間誤差を線形確率近似の最近の進歩と相関したサンプルを用いて定量化する。

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)
• Fundamental limits of community detection from multi-view data: multi-layer, dynamic and partially labeled block models [7.778975741303385]
  現代のネットワーク分析におけるマルチビューデータのコミュニティ検出について検討する。 我々は,データと潜在パラメータ間の相互情報を特徴付ける。 コミュニティ検出のための近似メッセージパッシングに基づく反復アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-16T07:13:32Z)
• Joint Problems in Learning Multiple Dynamical Systems [8.405361894357359]
  時系列のクラスタリングはよく研究されている問題であり、代謝物濃度から得られる代謝の定量的にパーソナライズされたモデルから、量子情報理論における状態判別まで幅広い応用がある。 我々は,一組のトラジェクトリと複数のパーツを与えられた場合,各パーツのトラジェクトリと線形力学系(LDS)モデルを共同で分割し,全てのモデルにおける最大誤差を最小化するために検討する。 本稿では,グローバル収束法とEMを,有望な計算結果とともに提示する。
  論文  参考訳（メタデータ） (2023-11-03T18:16:00Z)
• A Competitive Learning Approach for Specialized Models: A Solution for Complex Physical Systems with Distinct Functional Regimes [0.0]
  本稿では,物理システムのデータ駆動モデルを得るための新たな競合学習手法を提案する。 提案手法の背景にある基本的な考え方は、データに基づいて同時にトレーニングされたモデルの集合に対して、動的損失関数を使用することである。
  論文  参考訳（メタデータ） (2023-07-19T23:29:40Z)
• 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)
• 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)
• Learning Mixtures of Linear Dynamical Systems [94.49754087817931]
  そこで我々は,2段階のメタアルゴリズムを開発し,各基底構造LPSモデルを誤り$tildeO(sqrtd/T)$.sqrtd/T)まで効率的に復元する。 提案手法の有効性を検証し,数値実験による理論的研究を検証する。
  論文  参考訳（メタデータ） (2022-01-26T22:26:01Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• 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)

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。