Fugu-MT 論文翻訳(概要): Active Learning in Gaussian Process State Space Model

論文の概要: Active Learning in Gaussian Process State Space Model

arxiv url: http://arxiv.org/abs/2108.00819v1
Date: Fri, 30 Jul 2021 16:52:38 GMT
ステータス: 処理完了
システム内更新日: 2021-08-03 15:41:31.562530
Title: Active Learning in Gaussian Process State Space Model
Title（参考訳）: ガウス過程状態空間モデルにおけるアクティブラーニング
Authors: Hon Sum Alec Yu, Dingling Yao, Christoph Zimmer, Marc Toussaint, Duy Nguyen-Tuong
Abstract要約: ガウス過程状態空間モデル(GPSSM)におけるアクティブラーニングの検討我々の問題は、入力を決定することによって、潜伏状態を通じて積極的にシステムを操ることである。特に、潜伏状態が与えられたGPSSMに対して、相互情報の近似を行うための2つのアプローチを提案する。
参考スコア（独自算出の注目度）: 21.520328063169078
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We investigate active learning in Gaussian Process state-space models (GPSSM). Our problem is to actively steer the system through latent states by determining its inputs such that the underlying dynamics can be optimally learned by a GPSSM. In order that the most informative inputs are selected, we employ mutual information as our active learning criterion. In particular, we present two approaches for the approximation of mutual information for the GPSSM given latent states. The proposed approaches are evaluated in several physical systems where we actively learn the underlying non-linear dynamics represented by the state-space model.
Abstract（参考訳）: ガウス過程状態空間モデル(GPSSM)におけるアクティブラーニングについて検討する。我々の課題は、GPSSMによって基礎となる力学を最適に学べるように入力を決定することで、潜伏状態を通して積極的にシステムを操ることである。最も情報性の高い入力が選択されるためには、相互情報をアクティブな学習基準として採用する。特に,潜在状態が与えられたgpssmの相互情報の近似に2つのアプローチを提案する。提案手法は、状態空間モデルで表される非線形力学を積極的に学習する物理系で評価される。

関連論文リスト

Recursive Gaussian Process State Space Model [4.572915072234487]
動作領域とGPハイパーパラメータの両方に適応可能な新しいオンラインGPSSM法を提案する。ポイントを誘導するオンライン選択アルゴリズムは、情報的基準に基づいて開発され、軽量な学習を実現する。合成データセットと実世界のデータセットの総合的な評価は,提案手法の精度,計算効率,適応性を示す。
論文参考訳（メタデータ） (2024-11-22T02:22:59Z)
Learning System Dynamics without Forgetting [60.08612207170659]
未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
論文参考訳（メタデータ） (2024-06-30T14:55:18Z)
Active Learning of Dynamics Using Prior Domain Knowledge in the Sampling Process [18.406992961818368]
本稿では,事前知識をサンプリングプロセスに明示的に組み込むことで,側面情報を活用する動的学習のための能動的学習アルゴリズムを提案する。提案アルゴリズムは,観測データと側情報から導出される力学の非完全先行モデルとの間に高い経験的差を示す領域への探索を導く。我々は,我々の能動学習アルゴリズムが,最大予測分散に対する明確な収束率を提供することで,基礎となる力学の一貫性のある推定値が得られることを厳密に証明する。
論文参考訳（メタデータ） (2024-03-25T22:20:45Z)
Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
論文参考訳（メタデータ） (2023-08-02T12:04:28Z)
Safe Multi-agent Learning via Trapping Regions [89.24858306636816]
我々は、動的システムの定性理論から知られているトラップ領域の概念を適用し、分散学習のための共同戦略空間に安全セットを作成する。本稿では,既知の学習力学を持つシステムにおいて,候補がトラップ領域を形成することを検証するための二分分割アルゴリズムと,学習力学が未知のシナリオに対するサンプリングアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-02-27T14:47:52Z)
GEM: Group Enhanced Model for Learning Dynamical Control Systems [78.56159072162103]
サンプルベースの学習が可能な効果的なダイナミクスモデルを構築します。リー代数ベクトル空間上のダイナミクスの学習は、直接状態遷移モデルを学ぶよりも効果的であることを示す。この研究は、ダイナミクスの学習とリー群の性質の関連性を明らかにし、新たな研究の方向への扉を開く。
論文参考訳（メタデータ） (2021-04-07T01:08:18Z)
Learning Dynamical Systems with Side Information [2.28438857884398]
いくつかの軌跡のノイズ観測から力学系を学習するための枠組みを提案する。多くのアプリケーションで自然に発生する6種類のサイド情報を識別する。本研究では,物理・細胞生物学における基礎モデルの力学を学習するための側面情報の付加価値と,疫学におけるモデルの力学の学習と制御について述べる。
論文参考訳（メタデータ） (2020-08-23T23:30:48Z)
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)
Planning from Images with Deep Latent Gaussian Process Dynamics [2.924868086534434]
計画は既知の環境力学の問題を制御するための強力なアプローチである。未知の環境では、エージェントは計画を適用するためにシステムダイナミクスのモデルを学ぶ必要がある。本稿では,環境と視覚的相互作用から低次元システムダイナミクスを学習する,遅延ガウス過程力学(DLGPD)モデルを提案する。
論文参考訳（メタデータ） (2020-05-07T21:29:45Z)
Localized active learning of Gaussian process state space models [63.97366815968177]
多くの共通制御アプリケーションにおいて、優れた性能を達成するためには、グローバルに正確なモデルを必要としない。本稿では,状態-作用空間の有界部分集合上の正確なモデルを得ることを目的としたガウス過程状態空間モデルに対する能動的学習戦略を提案する。モデル予測制御を用いることで、探索中に収集した情報を統合し、探索戦略を適応的に改善する。
論文参考訳（メタデータ） (2020-05-04T05:35:02Z)

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。