論文の概要: Joint Learning of Linear Time-Invariant Dynamical Systems
- arxiv url: http://arxiv.org/abs/2112.10955v6
- Date: Tue, 2 Jan 2024 13:40:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 20:23:17.973796
- Title: Joint Learning of Linear Time-Invariant Dynamical Systems
- Title(参考訳): 線形時間不変力学系の連成学習
- Authors: Aditya Modi, Mohamad Kazem Shirani Faradonbeh, Ambuj Tewari, George
Michailidis
- Abstract要約: 本稿では,複数システムの遷移行列を同時推定する手法について検討する。
我々は, 軌道長, 寸法, システム数の役割を完全に反映した有限時間推定誤差率を確立する。
同様の共同学習問題に対処する新しい手法を開発した。
- 参考スコア(独自算出の注目度): 31.879189478584095
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Linear time-invariant systems are very popular models in system theory and
applications. A fundamental problem in system identification that remains
rather unaddressed in extant literature is to leverage commonalities amongst
related linear systems to estimate their transition matrices more accurately.
To address this problem, the current paper investigates methods for jointly
estimating the transition matrices of multiple systems. It is assumed that the
transition matrices are unknown linear functions of some unknown shared basis
matrices. We establish finite-time estimation error rates that fully reflect
the roles of trajectory lengths, dimension, and number of systems under
consideration. The presented results are fairly general and show the
significant gains that can be achieved by pooling data across systems in
comparison to learning each system individually. Further, they are shown to be
robust against model misspecifications. To obtain the results, we develop novel
techniques that are of interest for addressing similar joint-learning problems.
They include tightly bounding estimation errors in terms of the
eigen-structures of transition matrices, establishing sharp high probability
bounds for singular values of dependent random matrices, and capturing effects
of misspecified transition matrices as the systems evolve over time.
- Abstract(参考訳): 線形時間不変系はシステム理論や応用において非常に一般的なモデルである。
現存する文献では、システム同定における根本的な問題は、関連する線形系間の共通点を利用して遷移行列をより正確に推定することである。
この問題に対処するため,本論文では,複数システムの遷移行列を同時推定する方法について検討する。
遷移行列は、いくつかの未知の共有基底行列の未知線型関数であると仮定される。
我々は,軌道長,寸法,システム数の役割を完全に反映した有限時間推定誤差率を確立する。
その結果,各システムを個別に学習することに比べ,システム間でデータをプールすることで得られる有意な成果が得られた。
さらに、モデルの誤特定に対して堅牢であることが示されている。
この結果を得るために,類似した共同学習問題に対処するための新しい手法を開発した。
それらは、遷移行列の固有構造の観点からの厳密な境界推定誤差、従属確率行列の特異値に対する鋭い高確率境界の確立、システムの時間的発展に伴う不特定の遷移行列の効果の捕捉を含む。
関連論文リスト
- Learning Linear Dynamics from Bilinear Observations [8.238163867581848]
本稿では,線形状態遷移と双線形観測を併用した部分的に観察された力学系の実現について考察する。
プロセスと測定ノイズの非常に穏やかな仮定の下で、未知の力学行列を学習するための有限時間解析を提供する。
論文 参考訳(メタデータ) (2024-09-24T23:11:47Z) - Exponential time differencing for matrix-valued dynamical systems [0.0]
指数時間差分法(ETD)は、線形項を正確に扱い、高度に安定な数値スキームを生成することが知られている。
本稿では,行列値の動的方程式に対するETDアルゴリズムのクラスの拡張を提案する。
これにより、高度に効率的で安定した統合スキームを作成できます。
論文 参考訳(メタデータ) (2024-06-19T18:22:23Z) - Identifying Systems with Symmetries using Equivariant Autoregressive
Reservoir Computers [0.0]
均質な自己回帰型貯水池コンピュータを用いた対称性を持つシステムの同定に焦点をあてる。
構造行列近似理論の一般的な結果が提示され、2倍のアプローチが探求される。
論文 参考訳(メタデータ) (2023-11-16T02:32:26Z) - Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。
理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。
本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
論文 参考訳(メタデータ) (2022-10-12T06:46:38Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-30T06:00:13Z) - 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) - High-dimensional separability for one- and few-shot learning [58.8599521537]
この作業は、実用的な質問、人工知能(AI)エラーの修正によって進められている。
特殊な外部デバイスである修正器が開発されている。従来のAIシステムを変更することなく、迅速かつ非イテレーティブなシステム修正を提供する必要がある。
AIシステムの新しいマルチコレクタが提示され、深層畳み込みニューラルネットワークによってエラーを予測し、新しいクラスのオブジェクトを学習する例が紹介される。
論文 参考訳(メタデータ) (2021-06-28T14:58:14Z) - Linear embedding of nonlinear dynamical systems and prospects for
efficient quantum algorithms [74.17312533172291]
有限非線形力学系を無限線型力学系(埋め込み)にマッピングする方法を述べる。
次に、有限線型系 (truncation) による結果の無限線型系を近似するアプローチを検討する。
論文 参考訳(メタデータ) (2020-12-12T00:01:10Z) - Learning Partially Observed Linear Dynamical Systems from Logarithmic
Number of Samples [4.7464518249313805]
本研究では,1つの試料軌道から部分的に観測された線形力学系を学習する問題について検討する。
その結果, 部分的に観察された線形力学系を学習することで, サンプルの複雑さを著しく向上させることができた。
論文 参考訳(メタデータ) (2020-10-08T14:23:48Z) - 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。