論文の概要: Extension of Dynamic Mode Decomposition for dynamic systems with
incomplete information based on t-model of optimal prediction
- arxiv url: http://arxiv.org/abs/2202.11432v1
- Date: Wed, 23 Feb 2022 11:23:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-24 16:21:31.067149
- Title: Extension of Dynamic Mode Decomposition for dynamic systems with
incomplete information based on t-model of optimal prediction
- Title(参考訳): 最適予測のtモデルに基づく不完全情報をもつ動的システムの動的モード分解の拡張
- Authors: Aleksandr Katrutsa, Sergey Utyuzhnikov, Ivan Oseledets
- Abstract要約: 動的モード分解は、動的データを研究するための非常に効率的な手法であることが証明された。
このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。
本稿では,森-Zwanzig分解の1次近似を考察し,対応する最適化問題を記述し,勾配に基づく最適化法を用いて解く。
- 参考スコア(独自算出の注目度): 69.81996031777717
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The Dynamic Mode Decomposition has proved to be a very efficient technique to
study dynamic data. This is entirely a data-driven approach that extracts all
necessary information from data snapshots which are commonly supposed to be
sampled from measurement. The application of this approach becomes problematic
if the available data is incomplete because some dimensions of smaller scale
either missing or unmeasured. Such setting occurs very often in modeling
complex dynamical systems such as power grids, in particular with reduced-order
modeling. To take into account the effect of unresolved variables the optimal
prediction approach based on the Mori-Zwanzig formalism can be applied to
obtain the most expected prediction under existing uncertainties. This
effectively leads to the development of a time-predictive model accounting for
the impact of missing data. In the present paper we provide a detailed
derivation of the considered method from the Liouville equation and finalize it
with the optimization problem that defines the optimal transition operator
corresponding to the observed data. In contrast to the existing approach, we
consider a first-order approximation of the Mori-Zwanzig decomposition, state
the corresponding optimization problem and solve it with the gradient-based
optimization method. The gradient of the obtained objective function is
computed precisely through the automatic differentiation technique. The
numerical experiments illustrate that the considered approach gives practically
the same dynamics as the exact Mori-Zwanzig decomposition, but is less
computationally intensive.
- Abstract(参考訳): 動的モード分解は動的データを研究するための非常に効率的な手法であることが証明された。
これはすべてデータ駆動のアプローチであり、測定から一般的にサンプリングされるはずのデータスナップショットから必要な情報をすべて抽出する。
このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。
このような設定は、電力グリッドのような複雑な力学系のモデリング、特に低次モデリングにおいて非常によく発生する。
未解決変数の効果を考慮し、モリ・ズワンジッヒ形式に基づく最適予測アプローチを適用し、既存の不確実性の下で最も期待される予測を得ることができる。
これにより、データの欠落の影響を考慮した予測モデルの開発が効果的に行われる。
本稿では,Liouville方程式から検討された手法の詳細な導出と,観測データに対応する最適遷移演算子を定義する最適化問題との整合性について述べる。
既存の手法とは対照的に,森-Zwanzig分解の1次近似を考慮し,対応する最適化問題を記述し,勾配に基づく最適化手法で解く。
得られた目的関数の勾配を自動微分法により正確に計算する。
数値実験は、考慮されたアプローチがモリ=ズワンツィヒ分解と実質的に同じダイナミクスを与えることを示しているが、計算量は少ない。
関連論文リスト
- End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳(メタデータ) (2024-02-12T16:33:35Z) - REMEDI: Corrective Transformations for Improved Neural Entropy
Estimation [0.8033587425155695]
我々は微分エントロピーの効率的かつ正確な推定のために$textttREMEDI$を紹介した。
提案手法は,幅広い推定課題にまたがる改善を実証する。
自然に情報理論による教師あり学習モデルに拡張することができる。
論文 参考訳(メタデータ) (2024-02-08T14:47:37Z) - Probabilistic Reduced-Dimensional Vector Autoregressive Modeling with
Oblique Projections [0.7614628596146602]
雑音データから低次元ダイナミクスを抽出する低次元ベクトル自己回帰モデルを提案する。
最適斜め分解は、予測誤差の共分散に関する最良の予測可能性のために導出される。
合成ロレンツシステムとイーストマンケミカルの工業プロセスのデータセットを用いて,提案手法の優れた性能と効率を実証した。
論文 参考訳(メタデータ) (2024-01-14T05:38:10Z) - Data-driven decision-focused surrogate modeling [10.1947610432159]
本稿では,実時間設定における非線形最適化問題の解決を目的とした,意思決定中心の代理モデルの概念を紹介する。
提案したデータ駆動フレームワークは、決定予測エラーを最小限に抑えるためにトレーニングされた、よりシンプルな、例えば凸(convex)、代理最適化モデル(surrogate optimization model)を学ぶことを目指している。
我々は、一般的な非線形化学プロセスの最適化を含む数値実験を通して、我々の枠組みを検証する。
論文 参考訳(メタデータ) (2023-08-23T14:23:26Z) - DF2: Distribution-Free Decision-Focused Learning [53.2476224456902]
決定中心学習(DFL)は近年,予測最適化問題に対する強力なアプローチとして出現している。
既存のエンドツーエンドDFL法は、モデル誤差、サンプル平均近似誤差、予測対象の分布に基づくパラメータ化の3つの重大なボトルネックによって妨げられている。
DF2は,これら3つのボトルネックに明示的に対処するために設計された,初となるテキストフリーな意思決定型学習手法である。
論文 参考訳(メタデータ) (2023-08-11T00:44:46Z) - Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。
本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
論文 参考訳(メタデータ) (2023-06-13T01:18:16Z) - Adaptive LASSO estimation for functional hidden dynamic geostatistical
model [69.10717733870575]
関数型隠れ統計モデル(f-HD)のためのペナル化極大推定器(PMLE)に基づく新しいモデル選択アルゴリズムを提案する。
このアルゴリズムは反復最適化に基づいており、適応最小限の収縮・セレクタ演算子(GMSOLAS)ペナルティ関数を用いており、これは不給付のf-HD最大線量推定器によって得られる。
論文 参考訳(メタデータ) (2022-08-10T19:17:45Z) - Low-rank statistical finite elements for scalable model-data synthesis [0.8602553195689513]
statFEMは、支配方程式に強制を埋め込むことによって、事前モデルの誤特定を認める。
この方法は、観測されたデータ生成過程を最小限の情報損失で再構築する。
本稿では、下層の密度共分散行列の低ランク近似を埋め込むことで、このハードルを克服する。
論文 参考訳(メタデータ) (2021-09-10T09:51:43Z) - SODEN: A Scalable Continuous-Time Survival Model through Ordinary
Differential Equation Networks [14.564168076456822]
本稿では、ニューラルネットワークとスケーラブルな最適化アルゴリズムを用いた生存分析のためのフレキシブルモデルを提案する。
提案手法の有効性を,既存の最先端ディープラーニングサバイバル分析モデルと比較した。
論文 参考訳(メタデータ) (2020-08-19T19:11:25Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳(メタデータ) (2019-10-31T02:26:20Z)
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。