論文の概要: Learning Spatio-Temporal Specifications for Dynamical Systems

• arxiv url: http://arxiv.org/abs/2112.10714v1
• Date: Mon, 20 Dec 2021 18:03:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-21 16:06:59.128502
• Title: Learning Spatio-Temporal Specifications for Dynamical Systems
• Title（参考訳）: 力学系の時空間仕様の学習
• Authors: Suhail Alsalehi, Erfan Aasi, Ron Weiss, Calin Belta
• Abstract要約: データからの論理仕様として学習時空間(ST特性)のフレームワークを提案する。 本稿では,SVM-STL(Signal Signal Temporal Logic:信号時空間論理)の拡張について紹介する。 本フレームワークは,SVM-STL仕様を空間パターンのシーケンスによって与えられるシステム実行から学習するために,機械学習技術を利用する。
• 参考スコア（独自算出の注目度）: 0.757024681220677
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning dynamical systems properties from data provides important insights that help us understand such systems and mitigate undesired outcomes. In this work, we propose a framework for learning spatio-temporal (ST) properties as formal logic specifications from data. We introduce SVM-STL, an extension of Signal Signal Temporal Logic (STL), capable of specifying spatial and temporal properties of a wide range of dynamical systems that exhibit time-varying spatial patterns. Our framework utilizes machine learning techniques to learn SVM-STL specifications from system executions given by sequences of spatial patterns. We present methods to deal with both labeled and unlabeled data. In addition, given system requirements in the form of SVM-STL specifications, we provide an approach for parameter synthesis to find parameters that maximize the satisfaction of such specifications. Our learning framework and parameter synthesis approach are showcased in an example of a reaction-diffusion system.
• Abstract（参考訳）: データから動的システムの特性を学ぶことは、そのようなシステムを理解し、望ましくない結果を軽減するのに役立つ重要な洞察を提供する。 本研究では,データから時空間特性を形式論理仕様として学習するためのフレームワークを提案する。 本稿では,SVM-STL(Signal Signal Temporal Logic:信号時空間論理)の拡張として,時間変化の空間パターンを示す幅広い力学系の空間的・時間的特性を特定する。 本フレームワークは,SVM-STL仕様を空間パターンのシーケンスによって与えられるシステム実行から学習するために機械学習技術を利用する。 ラベル付きデータとラベルなしデータの両方を扱う方法を提案する。 さらに,SVM-STL仕様の形でのシステム要件を考慮し,パラメータ合成による仕様の満足度を最大化するための手法を提案する。 我々の学習フレームワークとパラメータ合成アプローチは,反応拡散システムの例を示す。

関連論文リスト

• Retrieval-Augmented Mining of Temporal Logic Specifications from Data [0.46040036610482665]
  この研究は、観測された振る舞いからデータ駆動的な方法でSTL要求を学習するタスクに対処する。 本稿では,ベイズ最適化(BO)と情報検索(IR)技術を組み合わせて,STL式の構造とパラメータを同時に学習する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-23T09:29:00Z)
• HOPE for a Robust Parameterization of Long-memory State Space Models [51.66430224089725]
  線形時間不変(LTI)システムを利用する状態空間モデル(SSM)は、長いシーケンスの学習において有効であることが知られている。 我々は,ハンケル作用素内のマルコフパラメータを利用するLTIシステムに対して,HOPEと呼ばれる新しいパラメータ化手法を開発した。 我々の新しいパラメータ化は、固定時間ウィンドウ内に非遅延メモリを付与し、パッドドノイズのあるシーケンシャルCIFAR-10タスクによって実証的に相関する。
  論文  参考訳（メタデータ） (2024-05-22T20:20:14Z)
• An Attention Long Short-Term Memory based system for automatic classification of speech intelligibility [2.404313022991873]
  本研究は,音声の可聴度を自動予測する非侵入システムの開発に焦点をあてる。 本研究の主な貢献は,ログメルスペクトログラムを入力として使用したLong Short-Term Memory Networkである。 提案手法は, 難易度が異なる変形性音声を含むUA-Speechデータベースを用いて評価した。
  論文  参考訳（メタデータ） (2024-02-05T10:03:28Z)
• SimLM: Can Language Models Infer Parameters of Physical Systems? [56.38608628187024]
  物理系におけるパラメータ推論におけるLarge Language Models (LLM) の性能について検討する。 実験の結果,単純なシステムであっても,本課題には適していないことが示唆された。 物理シミュレータを用いてLLMのコンテキストを拡大する探索の有望な方向を提案する。
  論文  参考訳（メタデータ） (2023-12-21T12:05:19Z)
• InVAErt networks: a data-driven framework for model synthesis and identifiability analysis [0.0]
  inVAErtは物理システムのデータ駆動分析と合成のためのフレームワークである。 これは、前方および逆写像を表す決定論的デコーダ、系の出力の確率分布を捉える正規化フロー、入力と出力の間の単射性の欠如についてコンパクトな潜在表現を学ぶ変分エンコーダを使用する。
  論文  参考訳（メタデータ） (2023-07-24T07:58:18Z)
• Deep Learning of Dynamical System Parameters from Return Maps as Images [0.0]
  本稿では,ディープラーニング技術を用いたシステム識別手法を提案する。 離散および連続時間力学系のパラメータを推定するために教師付き学習手法を用いる。
  論文  参考訳（メタデータ） (2023-06-20T03:23:32Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Mining Interpretable Spatio-temporal Logic Properties for Spatially Distributed Systems [0.7585262843303869]
  本稿では,時間的データに対する教師なし学習のためのアルゴリズムセットを提案する。 本手法は,複雑性決定木手法を用いて,有界記述のSTREL式を生成する。 本研究では, 都市交通, グリーンインフラストラクチャ, 大気質モニタリングなど多様な分野の事例研究におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-06-16T04:51:26Z)
• Controlling nonlinear dynamical systems into arbitrary states using machine learning [77.34726150561087]
  機械学習(ML)を活用した,新しい完全データ駆動制御方式を提案する。 最近開発されたMLに基づく複雑なシステムの予測機能により、非線形系は任意の初期状態から来る任意の動的対象状態に留まることが証明された。 必要なデータ量が少なく,柔軟性の高いコントロールスキームを備えることで,工学から医学まで幅広い応用の可能性について簡単に議論する。
  論文  参考訳（メタデータ） (2021-02-23T16:58:26Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• 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)

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。