論文の概要: Learning Stable Deep Dynamics Models for Partially Observed or Delayed Dynamical Systems

• arxiv url: http://arxiv.org/abs/2110.14296v1
• Date: Wed, 27 Oct 2021 09:21:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-28 13:54:12.570220
• Title: Learning Stable Deep Dynamics Models for Partially Observed or Delayed Dynamical Systems
• Title（参考訳）: 部分観測・遅延力学系に対する安定な深部ダイナミクスモデルの学習
• Authors: Andreas Schlaginhaufen, Philippe Wenk, Andreas Krause, Florian D\"orfler
• Abstract要約: 安全クリティカルシステムにとって、学習されたモデルはある種の平衡点に収束することが保証されることが不可欠である。 神経リプノフ関数で正規化されたニューラルODEは、状態が完全に観察されたときに有望なアプローチである。 学習モデルの安定性を確保する方法を示し、理論的に我々のアプローチを分析する。
• 参考スコア（独自算出の注目度）: 38.17499046781131
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning how complex dynamical systems evolve over time is a key challenge in system identification. For safety critical systems, it is often crucial that the learned model is guaranteed to converge to some equilibrium point. To this end, neural ODEs regularized with neural Lyapunov functions are a promising approach when states are fully observed. For practical applications however, partial observations are the norm. As we will demonstrate, initialization of unobserved augmented states can become a key problem for neural ODEs. To alleviate this issue, we propose to augment the system's state with its history. Inspired by state augmentation in discrete-time systems, we thus obtain neural delay differential equations. Based on classical time delay stability analysis, we then show how to ensure stability of the learned models, and theoretically analyze our approach. Our experiments demonstrate its applicability to stable system identification of partially observed systems and learning a stabilizing feedback policy in delayed feedback control.
• Abstract（参考訳）: 複雑な動的システムが時間とともにどのように進化するかを学ぶことは、システム識別の重要な課題である。 安全クリティカルシステムでは、学習されたモデルがある種の平衡点に収束することが保証されることがしばしば重要である。 この目的のために、神経リアプノフ関数で規則化された神経odeは、状態が完全に観察されるときに有望なアプローチである。 しかし、実際的な応用では、部分的な観測が標準である。 示すように、観測されていない拡張状態の初期化は、ニューラルODEにとって重要な問題となる。 この問題を軽減するため,我々は,システムの状態をその歴史とともに強化することを提案する。 離散時間系の状態拡張に着想を得て,神経遅延微分方程式を得る。 古典的時間遅延安定性解析に基づいて,学習モデルの安定性を確保する方法を示し,理論的に解析する。 本実験は,部分的に観測されたシステムの安定したシステム同定と,遅延フィードバック制御における安定化フィードバックポリシーの学習への適用性を示す。

関連論文リスト

• TANGO: Time-Reversal Latent GraphODE for Multi-Agent Dynamical Systems [43.39754726042369]
  連続グラフニューラルネットワークに基づく常微分方程式(GraphODE)により予測される前後の軌跡を整列するソフト制約として,単純かつ効果的な自己監督型正規化項を提案する。 時間反転対称性を効果的に課し、古典力学の下でより広い範囲の力学系にわたってより正確なモデル予測を可能にする。 様々な物理システムに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-10-10T08:52:16Z)
• Data-Driven Control with Inherent Lyapunov Stability [3.695480271934742]
  本研究では,非線形力学モデルと安定化制御器のパラメトリック表現をデータから共同学習する手法として,インヒーレント・リャプノフ安定度制御(CoILS)を提案する。 新たな構成によって保証される学習力学の安定化性に加えて、学習した制御器は学習力学の忠実性に関する特定の仮定の下で真の力学を安定化することを示す。
  論文  参考訳（メタデータ） (2023-03-06T14:21:42Z)
• The least-control principle for learning at equilibrium [65.2998274413952]
  我々は、平衡反復ニューラルネットワーク、深層平衡モデル、メタラーニングを学ぶための新しい原理を提案する。 私たちの結果は、脳がどのように学習するかを明らかにし、幅広い機械学習問題にアプローチする新しい方法を提供します。
  論文  参考訳（メタデータ） (2022-07-04T11:27:08Z)
• Learning Stabilizable Deep Dynamics Models [1.75320459412718]
  本稿では,入力-アフィン制御系のダイナミクスを学習するための新しい手法を提案する。 重要な特徴は、学習モデルの安定化コントローラと制御リャプノフ関数も得られることである。 提案手法はハミルトン-ヤコビ不等式の解法にも適用可能である。
  論文  参考訳（メタデータ） (2022-03-18T03:09:24Z)
• Bayesian Algorithms Learn to Stabilize Unknown Continuous-Time Systems [0.0]
  線形力学系は、不確実な力学を持つ植物の学習に基づく制御のための標準モデルである。 この目的のための信頼性の高い安定化手順は、不安定なデータから有効に学習し、有限時間でシステムを安定化させることができない。 本研究では,未知の連続時間線形系を安定化する新しい学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-12-30T15:31:35Z)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)
• Neural Dynamical Systems: Balancing Structure and Flexibility in Physical Prediction [14.788494279754481]
  各種グレーボックス設定における動的モデルの学習方法であるNeural Dynamical Systems (NDS)を紹介する。 NDSはニューラルネットワークを使用してシステムの自由パラメータを推定し、残余項を予測し、将来状態を予測するために時間とともに数値的に統合する。
  論文  参考訳（メタデータ） (2020-06-23T00:50:48Z)
• Learning Stable Deep Dynamics Models [91.90131512825504]
  状態空間全体にわたって安定することが保証される力学系を学習するためのアプローチを提案する。 このような学習システムは、単純な力学系をモデル化することができ、複雑な力学を学習するために追加の深層生成モデルと組み合わせることができることを示す。
  論文  参考訳（メタデータ） (2020-01-17T00:04:45Z)

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。