論文の概要: Ensemble Recognition in Reproducing Kernel Hilbert Spaces through Aggregated Measurements

• arxiv url: http://arxiv.org/abs/2112.14307v1
• Date: Tue, 28 Dec 2021 22:04:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-31 01:39:07.282088
• Title: Ensemble Recognition in Reproducing Kernel Hilbert Spaces through Aggregated Measurements
• Title（参考訳）: 集合計測によるカーネルヒルベルト空間のアンサンブル認識
• Authors: Wei Miao, Jr-Shin Li
• Abstract要約: カーネルヒルベルト空間(RKHS)再生における統計的アプローチを用いて,アンサンブル系の動的特性を集団行動から学習する問題について検討する。 RKHSで集計した計測値間の最大平均差(MMD)を計算し,複数のアンサンブルシステムを特定し,クラスタ化するフレームワークを提供する。 提案手法は, RKHS における複数の未知のアンサンブルを集約するために, 集約された測定値を用いて拡張可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we study the problem of learning dynamical properties of ensemble systems from their collective behaviors using statistical approaches in reproducing kernel Hilbert space (RKHS). Specifically, we provide a framework to identify and cluster multiple ensemble systems through computing the maximum mean discrepancy (MMD) between their aggregated measurements in an RKHS, without any prior knowledge of the system dynamics of ensembles. Then, leveraging on a gradient flow of the newly proposed notion of aggregated Markov parameters, we present a systematic framework to recognize and identify an ensemble systems using their linear approximations. Finally, we demonstrate that the proposed approaches can be extended to cluster multiple unknown ensembles in RKHS using their aggregated measurements. Numerical experiments show that our approach is reliable and robust to ensembles with different types of system dynamics.
• Abstract（参考訳）: 本稿では,カーネルヒルベルト空間(RKHS)を再現する統計手法を用いて,アンサンブルシステムの動的特性を学習する問題について検討する。 具体的には,複数のアンサンブルシステムに対して,RKHSにおける集約された計測値間の最大平均誤差(MMD)を計算し,複数のアンサンブルシステムを特定し,クラスタ化するためのフレームワークを提供する。 そこで,新たに提案された集合マルコフパラメータの勾配流を利用して,その線形近似を用いてアンサンブルシステムを認識し,同定する体系的枠組みを提案する。 最後に,提案手法をRKHS内の複数の未知のアンサンブルを集約するために,その集計値を用いて拡張可能であることを示す。 数値実験により,本手法はシステムダイナミクスの異なるアンサンブルに対して信頼性とロバスト性を示す。

関連論文リスト

• A VAE-based Framework for Learning Multi-Level Neural Granger-Causal Connectivity [15.295157876811066]
  本稿では, 関連系・異種系系の集合において, 成分間の顆粒・因果関係を共同で学習する変分オートエンコーダに基づくフレームワークを提案する。 提案するフレームワークの性能は,複数の合成データ設定に基づいて評価し,個別のシステム学習用に設計された既存手法と比較した。
  論文  参考訳（メタデータ） (2024-02-25T16:11:32Z)
• Response Theory via Generative Score Modeling [0.0]
  スコアベース生成モデルとGFDT(Generalized Fluctuation-Dissipation Theorem)を組み合わせた外部摂動に対する動的システムの応答解析手法を提案する。 この手法は,非ガウス統計を含むシステム応答の正確な推定を可能にする。
  論文  参考訳（メタデータ） (2024-02-01T21:38:10Z)
• Mixture of multilayer stochastic block models for multiview clustering [0.0]
  本稿では,異なる情報源から得られた複数のクラスタリングを集約する独自の手法を提案する。 モデルパラメータの同定可能性を確立し,これらのパラメータを推定するために変分ベイズEMアルゴリズムを提案する。 この手法は、グローバルな食品取引網の分析に利用され、興味のある構造に繋がる。
  論文  参考訳（メタデータ） (2024-01-09T17:15:47Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,各レシスタンスに対してDAG(Directed Acyclic Graph)を同時に学習する,新たな最適化手法(線形)を提案する。 我々は広範囲な実験を行い、その手法が様々な環境における因果発見モデルより一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• Distributionally Robust Model-based Reinforcement Learning with Large State Spaces [55.14361269378122]
  強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。 広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。 本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:42:11Z)
• Witnessing environment dimension through temporal correlations [0.0]
  キュービットシステムとキュービット環境を含むシーケンスに対する非自明な境界を計算する。 この結果から,開量子系力学における多時間確率分布の有界性を決定する数値的抽出可能な手法が得られた。
  論文  参考訳（メタデータ） (2023-05-30T16:18:22Z)
• Learning Personalized Models with Clustered System Identification [4.422315636150272]
  本稿では, 線形系モデルにおいて, 異なる系力学から複数の軌道を観測することから, 線形系モデルを学習することの問題点に対処する。 本稿では,各システムがクラスタアイデンティティを交互に推定し,そのダイナミクスを推定するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-03T22:06:49Z)
• 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)
• Kernel learning approaches for summarising and combining posterior similarity matrices [68.8204255655161]
  我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。 我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
  論文  参考訳（メタデータ） (2020-09-27T14:16:14Z)
• A Kernel-Based Approach to Non-Stationary Reinforcement Learning in Metric Spaces [53.47210316424326]
  KeRNSは、非定常マルコフ決定過程におけるエピソード強化学習のためのアルゴリズムである。 我々は、状態-作用空間の被覆次元と時間とともにMDPの総変動にスケールする後悔境界を証明した。
  論文  参考訳（メタデータ） (2020-07-09T21:37:13Z)
• Stable and consistent density-based clustering via multiparameter persistence [77.34726150561087]
  トポロジカルデータ解析による次数-リップス構成について考察する。 我々は,入力データの摂動に対する安定性を,通信間距離を用いて解析する。 私たちはこれらのメソッドを、Persistableと呼ばれる密度ベースのクラスタリングのためのパイプラインに統合します。
  論文  参考訳（メタデータ） (2020-05-18T19:45:04Z)

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。