論文の概要: Identifying the Dynamics of a System by Leveraging Data from Similar Systems

• arxiv url: http://arxiv.org/abs/2204.05446v1
• Date: Mon, 11 Apr 2022 23:47:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-13 14:39:00.745355
• Title: Identifying the Dynamics of a System by Leveraging Data from Similar Systems
• Title（参考訳）: 類似システムからのデータの活用によるシステムのダイナミクスの同定
• Authors: Lei Xin, Lintao Ye, George Chiu, Shreyas Sundaram
• Abstract要約: 類似したシステムによって生成されたサンプルにアクセスできる場合,線形系の力学を同定する問題について検討する。 重み付き最小二乗法を用いて、同定された力学の品質に関する有限サンプル性能保証を行う。
• 参考スコア（独自算出の注目度）: 1.9813182042770605
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of identifying the dynamics of a linear system when one has access to samples generated by a similar (but not identical) system, in addition to data from the true system. We use a weighted least squares approach and provide finite sample performance guarantees on the quality of the identified dynamics. Our results show that one can effectively use the auxiliary data generated by the similar system to reduce the estimation error due to the process noise, at the cost of adding a portion of error that is due to intrinsic differences in the models of the true and auxiliary systems. We also provide numerical experiments to validate our theoretical results. Our analysis can be applied to a variety of important settings. For example, if the system dynamics change at some point in time (e.g., due to a fault), how should one leverage data from the prior system in order to learn the dynamics of the new system? As another example, if there is abundant data available from a simulated (but imperfect) model of the true system, how should one weight that data compared to the real data from the system? Our analysis provides insights into the answers to these questions.
• Abstract（参考訳）: 類似する(しかし同一ではない)系が生成するサンプルへのアクセスがあるとき、真の系のデータに加えて線形系のダイナミクスを同定する問題について検討する。 重み付き最小二乗法を用いて,同定されたダイナミクスの品質に関する有限なサンプル性能保証を行う。 本研究の結果から, プロセスノイズによる推定誤差を, 真・副系のモデルに内在的な差異を生じさせる誤差を加味することにより, 類似システムによって生成された補助データを効果的に利用できることが示唆された。 理論的結果を検証するための数値実験も提供する。 我々の分析は様々な重要な設定に適用できる。 例えば、ある時点(例えば障害のため)にシステムのダイナミクスが変化した場合、新しいシステムのダイナミクスを学ぶために、前のシステムからのデータをどのように活用すべきか? 別の例として、真のシステムのシミュレーション(しかし不完全な)モデルから得られる豊富なデータがある場合、システムの実際のデータと比較した場合、そのデータをどのように重み付けすべきだろうか? 我々の分析はこれらの質問に対する回答に関する洞察を提供する。

関連論文リスト

• Pseudo-Hamiltonian system identification [0.0]
  一階常微分方程式としてモデル化できるシステムを考える。 モデルが未知の減衰や外乱の影響を受けないデータに基づいて訓練されたとしても、内部力学の分析用語を学習することができる。
  論文  参考訳（メタデータ） (2023-05-09T15:22:05Z)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• Learning Dynamical Systems by Leveraging Data from Similar Systems [1.3053088049015455]
  本稿では,補助システムによって生成されたデータにアクセスできる場合の線形システムの力学を学習する問題について考察する。 本研究は,ノイズによる本質的なシステム識別誤差の低減に有効であることを示す。
  論文  参考訳（メタデータ） (2023-02-08T21:27:16Z)
• Finite Sample Identification of Bilinear Dynamical Systems [29.973598501311233]
  未知の双線形系を高い確率で所望の精度で推定する方法を示す。 サンプルの複雑性と統計的誤差率は, 軌道長, 系の寸法, 入力サイズで最適である。
  論文  参考訳（メタデータ） (2022-08-29T22:34:22Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• 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)
• 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)
• How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
  本稿では,トレーニングデータの密度と制御性能の関係を考察する。 データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。 フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
  論文  参考訳（メタデータ） (2020-05-25T12:13:49Z)
• A Kernel Two-sample Test for Dynamical Systems [7.198860143325813]
  データストリームが同じ分布から引き出されるかどうかを評価することは、さまざまな機械学習問題の中心にある。 これは、生体医療、経済、工学システムにおいて、そのようなシステムが多くの現実世界のプロセスに不可欠であるため、動的システムによって生成されるデータに特に関係している。 i) 関連するメトリックにおける自己相関を捉える混合の概念を導入し、(ii) データにのみ依存する混合の速度を推定する効率的な方法を提案し、(iii) 確立されたカーネルの2サンプルテストに統合する。
  論文  参考訳（メタデータ） (2020-04-23T11:57:26Z)

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。