Fugu-MT 論文翻訳(概要): Learning Stable Koopman Embeddings

論文の概要: Learning Stable Koopman Embeddings

arxiv url: http://arxiv.org/abs/2110.06509v1
Date: Wed, 13 Oct 2021 05:44:13 GMT
ステータス: 処理完了
システム内更新日: 2021-10-15 00:56:23.284449
Title: Learning Stable Koopman Embeddings
Title（参考訳）: 安定したkoopman埋め込みを学ぶ
Authors: Fletcher Fan, Bowen Yi, David Rye, Guodong Shi, Ian R. Manchester
Abstract要約: 本稿では,非線形システムの安定モデル学習のための新しいデータ駆動手法を提案する。離散時間非線形契約モデルはすべて、我々のフレームワークで学習できることを実証する。
参考スコア（独自算出の注目度）: 9.239657838690228
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we present a new data-driven method for learning stable models of nonlinear systems. Our model lifts the original state space to a higher-dimensional linear manifold using Koopman embeddings. Interestingly, we prove that every discrete-time nonlinear contracting model can be learnt in our framework. Another significant merit of the proposed approach is that it allows for unconstrained optimization over the Koopman embedding and operator jointly while enforcing stability of the model, via a direct parameterization of stable linear systems, greatly simplifying the computations involved. We validate our method on a simulated system and analyze the advantages of our parameterization compared to alternatives.
Abstract（参考訳）: 本稿では,非線形システムの安定モデル学習のための新しいデータ駆動手法を提案する。我々のモデルは、クープマン埋め込みを用いて元の状態空間を高次元線型多様体に持ち上げる。興味深いことに、全ての離散時間非線形縮約モデルは、我々のフレームワークで学習できることを証明します。提案手法のもう1つの大きな利点は、安定線形系の直接パラメータ化を通じてモデルの安定性を保ちながら、クープマン埋め込みと演算子を協調的に非拘束で最適化できる点である。本手法をシミュレーションシステム上で検証し,パラメータ化の利点を代替手法と比較した。

関連論文リスト

Towards Stable Machine Learning Model Retraining via Slowly Varying Sequences [6.067007470552307]
そこで本研究では,繰り返しのトレーニングにおいて安定な機械学習モデルのシーケンスを見つける手法を提案する。最適モデルの復元が保証される混合整数最適化の定式化を開発する。本手法は, 予測力の小さい, 制御可能な犠牲を伴い, 厳密に訓練されたモデルよりも強い安定性を示す。
論文参考訳（メタデータ） (2024-03-28T22:45:38Z)
Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated Control Form and NMPC Case Study [56.283944756315066]
そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
論文参考訳（メタデータ） (2024-01-09T11:54:54Z)
Learned Lifted Linearization Applied to Unstable Dynamic Systems Enabled by Koopman Direct Encoding [11.650381752104296]
DMDや他のデータ駆動手法は不安定なシステムに適用した場合、クープマンモデルを構築する上で根本的な困難に直面していることが知られている。ここでは, 非線形状態方程式に関する知識を, 有効観測値の集合を見つけるための学習手法に組み込むことで, 問題を解く。提案手法は既存のDMDおよびデータ駆動方式よりも劇的に改善されている。
論文参考訳（メタデータ） (2022-10-24T20:55:46Z)
Numerically Stable Sparse Gaussian Processes via Minimum Separation using Cover Trees [57.67528738886731]
誘導点に基づくスケーラブルスパース近似の数値安定性について検討する。地理空間モデリングなどの低次元タスクに対しては,これらの条件を満たす点を自動計算する手法を提案する。
論文参考訳（メタデータ） (2022-10-14T15:20:17Z)
Time varying regression with hidden linear dynamics [74.9914602730208]
線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
論文参考訳（メタデータ） (2021-12-29T23:37:06Z)
Learning over All Stabilizing Nonlinear Controllers for a Partially-Observed Linear System [4.3012765978447565]
線形力学系に対する非線形出力フィードバックコントローラのパラメータ化を提案する。提案手法は, 制約を満たすことなく, 部分的に観測可能な線形力学系の閉ループ安定性を保証する。
論文参考訳（メタデータ） (2021-12-08T10:43:47Z)
Self-Supervised Hybrid Inference in State-Space Models [0.0]
我々は、潜在空間における非線形高階マルコフ連鎖を許容する状態空間モデルにおいて近似推論を行う。生成モデルや監督のパラメータ化を、未破損の観測や真理潜伏状態による追加のパラメータ化に頼ってはいない。カオスロレンツシステムにおいて,完全教師付きアプローチと比較して競合的な結果を得るとともに,変分推論に基づく手法よりも優れることを示す。
論文参考訳（メタデータ） (2021-07-28T13:26:14Z)
MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文参考訳（メタデータ） (2021-06-03T12:59:16Z)
Learning Unstable Dynamics with One Minute of Data: A Differentiation-based Gaussian Process Approach [47.045588297201434]
ガウス過程の微分可能性を利用して、真の連続力学の状態依存線形化近似を作成する方法を示す。 9次元セグウェイのような不安定なシステムのシステムダイナミクスを反復的に学習することで、アプローチを検証する。
論文参考訳（メタデータ） (2021-03-08T05:08:47Z)
GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文参考訳（メタデータ） (2021-02-22T19:42:40Z)
ImitationFlow: Learning Deep Stable Stochastic Dynamic Systems by Normalizing Flows [29.310742141970394]
我々は,世界規模で安定な非線形力学を学習できる新しいDeep生成モデルであるImitationFlowを紹介した。提案手法の有効性を,標準データセットと実ロボット実験の両方で示す。
論文参考訳（メタデータ） (2020-10-25T14:49:46Z)

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。