Fugu-MT 論文翻訳(概要): Linear Matrix Inequality Approaches to Koopman Operator Approximation

論文の概要: Linear Matrix Inequality Approaches to Koopman Operator Approximation

arxiv url: http://arxiv.org/abs/2102.03613v1
Date: Sat, 6 Feb 2021 17:03:11 GMT
ステータス: 処理完了
システム内更新日: 2021-02-09 15:17:17.899748
Title: Linear Matrix Inequality Approaches to Koopman Operator Approximation
Title（参考訳）: Koopman演算子近似に対する線形行列不等式アプローチ
Authors: Steven Dahdah and James Richard Forbes
Abstract要約: 回帰問題は線形行列の不等式制約を受ける凸最適化問題として定式化される。追加のLMI制約は回帰問題に容易に組み込むことができる。
参考スコア（独自算出の注目度）: 2.1320960069210484
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The regression problem associated with finding a matrix approximation of the Koopman operator from data is considered. The regression problem is formulated as a convex optimization problem subject to linear matrix inequality (LMI) constraints. Doing so allows for additional LMI constraints to be incorporated into the regression problem. In particular, asymptotic stability constraints, regularization using matrix norms, and even regularization using system norms can be easily incorporated into the regression problem.
Abstract（参考訳）: データからクープマン作用素の行列近似を見つけることに関連する回帰問題を検討する。回帰問題は線形行列不等式(LMI)制約を受ける凸最適化問題として定式化される。そうすることで、追加のLMI制約を回帰問題に組み込むことができる。特に漸近安定性の制約、行列ノルムを用いた正規化、システムノルムを用いた正規化は回帰問題に容易に組み込むことができる。

関連論文リスト

Agnostic Learning of Mixed Linear Regressions with EM and AM Algorithms [22.79595679373698]
混合線形回帰は統計学と機械学習においてよく研究されている問題である。本稿では、サンプルから混合線形回帰を学習する際のより一般的な問題について考察する。 AMアルゴリズムとEMアルゴリズムは, 集団損失最小化器に収束することにより, 混合線形回帰学習につながることを示す。
論文参考訳（メタデータ） (2024-06-03T09:43:24Z)
An adaptive shortest-solution guided decimation approach to sparse high-dimensional linear regression [2.3759847811293766]
ASSDは最短解誘導アルゴリズムから適応され、ASSDと呼ばれる。 ASSDは、実世界の応用で遭遇する高度に相関した測定行列を持つ線形回帰問題に特に適している。
論文参考訳（メタデータ） (2022-11-28T04:29:57Z)
Robust Regularized Low-Rank Matrix Models for Regression and Classification [14.698622796774634]
本稿では,ランク制約,ベクトル正規化(疎性など),一般損失関数に基づく行列変分回帰モデルのフレームワークを提案する。アルゴリズムは収束することが保証されており、アルゴリズムのすべての累積点が$O(sqrtn)$100の順序で推定誤差を持ち、最小値の精度をほぼ達成していることを示す。
論文参考訳（メタデータ） (2022-05-14T18:03:48Z)
Solving weakly supervised regression problem using low-rank manifold regularization [77.34726150561087]
我々は弱い教師付き回帰問題を解く。 weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
論文参考訳（メタデータ） (2021-04-13T23:21:01Z)
Benign Overfitting of Constant-Stepsize SGD for Linear Regression [122.70478935214128]
帰納バイアスは経験的に過剰フィットを防げる中心的存在ですこの研究は、この問題を最も基本的な設定として考慮している: 線形回帰に対する定数ステップサイズ SGD。我々は、(正規化されていない)SGDで得られるアルゴリズム正則化と、通常の最小二乗よりも多くの顕著な違いを反映する。
論文参考訳（メタデータ） (2021-03-23T17:15:53Z)
Gaussian Process-based Min-norm Stabilizing Controller for Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文参考訳（メタデータ） (2020-11-14T01:27:32Z)
A Scalable, Adaptive and Sound Nonconvex Regularizer for Low-rank Matrix Completion [60.52730146391456]
そこで我々は,適応的かつ音質の高い"核フロベニウスノルム"と呼ばれる新しい非スケーラブルな低ランク正規化器を提案する。特異値の計算をバイパスし、アルゴリズムによる高速な最適化を可能にする。既存の行列学習手法では最速でありながら、最先端の回復性能が得られる。
論文参考訳（メタデータ） (2020-08-14T18:47:58Z)
Understanding Implicit Regularization in Over-Parameterized Single Index Model [55.41685740015095]
我々は高次元単一インデックスモデルのための正規化自由アルゴリズムを設計する。暗黙正則化現象の理論的保証を提供する。
論文参考訳（メタデータ） (2020-07-16T13:27:47Z)
A spectral algorithm for robust regression with subgaussian rates [0.0]
本研究では, 試料の分布に強い仮定がない場合の線形回帰に対する2次時間に対する新しい線形アルゴリズムについて検討する。目的は、データが有限モーメントしか持たなくても最適な準ガウス誤差を達成できる手順を設計することである。
論文参考訳（メタデータ） (2020-07-12T19:33:50Z)
Fast OSCAR and OWL Regression via Safe Screening Rules [97.28167655721766]
順序付き$L_1$ (OWL)正規化回帰は、高次元スパース学習のための新しい回帰分析である。近勾配法はOWL回帰を解くための標準手法として用いられる。未知の順序構造を持つ原始解の順序を探索することにより、OWL回帰の最初の安全なスクリーニングルールを提案する。
論文参考訳（メタデータ） (2020-06-29T23:35:53Z)

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。