論文の概要: A scalable multi-step least squares method for network identification
with unknown disturbance topology
- arxiv url: http://arxiv.org/abs/2106.07548v1
- Date: Mon, 14 Jun 2021 16:12:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-15 15:39:09.311118
- Title: A scalable multi-step least squares method for network identification
with unknown disturbance topology
- Title（参考訳）: 未知外乱位相をもつネットワーク識別のためのスケーラブルなマルチステップ最小二乗法
- Authors: Stefanie J.M. Fonken, Karthik R. Ramaswamy, Paul M.J. Van den Hof
- Abstract要約: 本稿では,既知のネットワークトポロジを持つ動的ネットワークの同定手法を提案する。
階調雑音の低減に多段階連続・ヌル空間フィッティング法を用いる。
明示的なBoxモデル構造情報性を含む一貫性証明を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Identification methods for dynamic networks typically require prior knowledge
of the network and disturbance topology, and often rely on solving poorly
scalable non-convex optimization problems. While methods for estimating network
topology are available in the literature, less attention has been paid to
estimating the disturbance topology, i.e., the (spatial) noise correlation
structure and the noise rank. In this work we present an identification method
for dynamic networks, in which an estimation of the disturbance topology
precedes the identification of the full dynamic network with known network
topology. To this end we extend the multi-step Sequential Linear Regression and
Weighted Null Space Fitting methods to deal with reduced rank noise, and use
these methods to estimate the disturbance topology and the network dynamics. As
a result, we provide a multi-step least squares algorithm with parallel
computation capabilities and that rely only on explicit analytical solutions,
thereby avoiding the usual non-convex optimizations involved. Consequently we
consistently estimate dynamic networks of Box Jenkins model structure, while
keeping the computational burden low. We provide a consistency proof that
includes path-based data informativity conditions for allocation of excitation
signals in the experimental design. Numerical simulations performed on a
dynamic network with reduced rank noise clearly illustrate the potential of
this method.
- Abstract（参考訳）: 動的ネットワークの同定法は一般にネットワークと外乱トポロジーの事前知識を必要とし、しばしばスケーラビリティの低い非凸最適化問題を解くことに依存する。
ネットワークトポロジーを推定する方法は文献で利用可能であるが、外乱トポロジー、すなわち(空間的)ノイズ相関構造と雑音ランクの推定にはあまり注意が払われていない。
本稿では,外乱トポロジーの推定が既知のネットワークトポロジーを持つフルダイナミックネットワークの同定に先行する動的ネットワークの同定手法を提案する。
この目的のために,多段階逐次線形回帰法と重み付きヌル空間フィッティング法を拡張し,ランクノイズの低減に対応し,これらの手法を用いて外乱トポロジーとネットワークダイナミクスを推定する。
その結果、並列計算能力を持ち、明示的な解析解のみに依存するマルチステップ最小二乗アルゴリズムを提供することにより、通常の非凸最適化を回避できる。
これにより、計算負担を低く抑えつつ、Box Jenkinsモデル構造の動的ネットワークを一貫して推定する。
実験設計における励起信号の割り当てのための経路に基づくデータ情報化条件を含む整合性証明を提供する。
ランクノイズを低減した動的ネットワーク上で行う数値シミュレーションは,この手法の可能性を明らかに示している。
関連論文リスト
- Concurrent Training and Layer Pruning of Deep Neural Networks [0.0]
トレーニングの初期段階において、ニューラルネットワークの無関係な層を特定し、排除できるアルゴリズムを提案する。
本研究では,非線形区間を切断した後にネットワークを流れる情報の流れを,非線形ネットワーク区間の周囲の残差接続を用いた構造を用いる。
論文 参考訳（メタデータ） (2024-06-06T23:19:57Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Simple initialization and parametrization of sinusoidal networks via
their kernel bandwidth [92.25666446274188]
従来の活性化機能を持つネットワークの代替として、活性化を伴う正弦波ニューラルネットワークが提案されている。
まず,このような正弦波ニューラルネットワークの簡易版を提案する。
次に、ニューラルタンジェントカーネルの観点からこれらのネットワークの挙動を分析し、そのカーネルが調整可能な帯域幅を持つ低域フィルタを近似することを実証する。
論文 参考訳（メタデータ） (2022-11-26T07:41:48Z) - Backpropagation on Dynamical Networks [0.0]
本稿では,リカレントニューラルネットワークのトレーニングによく使用されるBPTTアルゴリズムに基づくネットワーク推論手法を提案する。
局所ノードダイナミクスの近似は、まずニューラルネットワークを用いて構築される。
得られた局所モデルと重み付けによるフリーラン予測性能は、真のシステムに匹敵することがわかった。
論文 参考訳（メタデータ） (2022-07-07T05:22:44Z) - Bayesian Inference of Stochastic Dynamical Networks [0.0]
本稿では,ネットワークトポロジと内部ダイナミクスを学習するための新しい手法を提案する。
グループスパースベイズ学習(GSBL)、BINGO、カーネルベースの方法、dynGENIE3、genIE3、ARNIと比較される。
本手法は,グループスパースベイズ学習 (GSBL), BINGO, kernel-based method, dynGENIE3, GENIE3, ARNI と比較して,最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-06-02T03:22:34Z) - An Unbiased Symmetric Matrix Estimator for Topology Inference under
Partial Observability [16.60607849384252]
本稿では,部分観測可能性の枠組みに基づくネットワークトポロジ推論の問題について考察する。
本稿では、ガウス雑音とラプラシアン結合則を持つ対称ネットワークトポロジーのための新しい非バイアス推定器を提案する。
ネットワーク構造を推定するために、ネットワーク推論ガウスアルゴリズムと呼ばれる効果的なアルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-03-29T12:49:25Z) - Progressive Spatio-Temporal Graph Convolutional Network for
Skeleton-Based Human Action Recognition [97.14064057840089]
本稿では,グラフ畳み込みネットワークのためのコンパクトで問題固有のネットワークを,段階的に自動的に見つける手法を提案する。
骨格に基づく人体行動認識のための2つのデータセットの実験結果から,提案手法は競争力あるいはより優れた分類性能を有することが示された。
論文 参考訳（メタデータ） (2020-11-11T09:57:49Z) - Solving Sparse Linear Inverse Problems in Communication Systems: A Deep
Learning Approach With Adaptive Depth [51.40441097625201]
疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。
提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
論文 参考訳（メタデータ） (2020-10-29T06:32:53Z) - Estimating Linear Dynamical Networks of Cyclostationary Processes [0.0]
本稿では,サイクロ定常プロセスに励起されたネットワークにおけるトポロジ学習のための新しいアルゴリズムを提案する。
以前の作業とは異なり、このフレームワークは複雑な依存性を持つ線形動的システムに適用される。
本論文の第2部では,ネットワークのサブセットが観測されていない場合の双方向ラジアルネットワークにおける一貫したトポロジ学習条件を解析する。
論文 参考訳（メタデータ） (2020-09-26T18:54:50Z) - Activation Relaxation: A Local Dynamical Approximation to
Backpropagation in the Brain [62.997667081978825]
活性化緩和(AR)は、バックプロパゲーション勾配を力学系の平衡点として構成することで動機付けられる。
我々のアルゴリズムは、正しいバックプロパゲーション勾配に迅速かつ堅牢に収束し、単一のタイプの計算単位しか必要とせず、任意の計算グラフで操作できる。
論文 参考訳（メタデータ） (2020-09-11T11:56:34Z) - MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。
グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。
確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
論文 参考訳（メタデータ） (2020-01-28T18:25:15Z)
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。