論文の概要: On Incorporating Forecasts into Linear State Space Model Markov Decision Processes

• arxiv url: http://arxiv.org/abs/2103.07533v1
• Date: Fri, 12 Mar 2021 21:21:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-18 12:47:33.114347
• Title: On Incorporating Forecasts into Linear State Space Model Markov Decision Processes
• Title（参考訳）: 線形状態空間モデルマルコフ決定過程への予測の導入について
• Authors: Jacques A. de Chalendar and Peter W. Glynn
• Abstract要約: 線形力学を用いた拡張状態空間モデルの定式化を導入する。 予測情報は、基礎となる状態変数の進化とともに動的に明らかにされる。 この論文は、トラクタビリティを維持するMDP製剤内での整合性要件を初めて実施するものです。
• 参考スコア（独自算出の注目度）: 9.079538097500517
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Weather forecast information will very likely find increasing application in the control of future energy systems. In this paper, we introduce an augmented state space model formulation with linear dynamics, within which one can incorporate forecast information that is dynamically revealed alongside the evolution of the underlying state variable. We use the martingale model for forecast evolution (MMFE) to enforce the necessary consistency properties that must govern the joint evolution of forecasts with the underlying state. The formulation also generates jointly Markovian dynamics that give rise to Markov decision processes (MDPs) that remain computationally tractable. This paper is the first to enforce MMFE consistency requirements within an MDP formulation that preserves tractability.
• Abstract（参考訳）: 天気予報情報は将来のエネルギーシステムの制御にますます応用される可能性が高い。 本稿では,線形力学を用いた拡張状態空間モデルの定式化について述べる。そこでは,基礎となる状態変数の進化とともに動的に表される予測情報を組み込むことができる。 我々は、予測進化(MMFE)にマーチンゲールモデルを用いて、予測と基礎状態の合同進化を管理するために必要な一貫性特性を強制する。 この定式化はまた、計算的に抽出可能なマルコフ決定過程(MDP)を生じさせる共同マルコフ力学を生成する。 本稿では, トラクタビリティを保った MDP の定式化において, MMFE の整合性要件を適用した最初の事例である。

関連論文リスト

• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• A novel approach for predicting epidemiological forecasting parameters based on real-time signals and Data Assimilation [3.4901787251083163]
  我々は、様々なデータソースと融合手法を用いて、畳み込みニューラルネットワーク(CNN)モデルのアンサンブルを実装し、ロバストな予測を構築する。 気象信号とソーシャルメディアを用いた人口密度マップを組み合わせることで、ロンドンにおける新型コロナウイルスの流行予測の性能と柔軟性が向上した。
  論文  参考訳（メタデータ） (2023-07-03T17:05:29Z)
• Learning non-Markovian Decision-Making from State-only Sequences [57.20193609153983]
  非マルコフ決定過程(nMDP)を用いた状態のみ列のモデルに基づく模倣を開発する。 非マルコフ制約をもつ経路計画課題において提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-06-27T02:26:01Z)
• Free-Form Variational Inference for Gaussian Process State-Space Models [21.644570034208506]
  ベイズGPSSMにおける新しい推論法を提案する。 本手法はハミルトニアンモンテカルロの誘導による自由形式変分推論に基づく。 提案手法は, 競合する手法よりも, 遷移力学や潜伏状態をより正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-02-20T11:34:16Z)
• Disentangled Generative Models for Robust Prediction of System Dynamics [2.6424064030995957]
  本研究では,動的システムの領域パラメータをデータ生成過程の変動要因として扱う。 教師付き不整合と因果分解のアイデアを活用することにより、生成モデルの潜在空間における力学から領域パラメータを分離することを目指す。 その結果,不整合VAEはトレーニングデータに存在しない領域パラメータ空間に適応することが示唆された。
  論文  参考訳（メタデータ） (2021-08-26T09:58:06Z)
• Autoregressive Hidden Markov Models with partial knowledge on latent space applied to aero-engines prognostics [2.179313476241343]
  本稿では,ARPHMM(Auto Regressive Partially-hidden Markov Model)を用いて,センサデータに基づく機器の故障検出と予後予測を行う。 健康指標に基づいて,このモデルを用いて残りの生活を推定する方法を示す。
  論文  参考訳（メタデータ） (2021-05-01T10:23:22Z)
• Autoregressive Dynamics Models for Offline Policy Evaluation and Optimization [60.73540999409032]
  表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。 また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-28T16:48:44Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。