論文の概要: Mode Reduction for Markov Jump Systems
- arxiv url: http://arxiv.org/abs/2205.02697v1
- Date: Thu, 5 May 2022 15:06:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-06 20:01:03.012202
- Title: Mode Reduction for Markov Jump Systems
- Title(参考訳): マルコフジャンプシステムのモード低減
- Authors: Zhe Du, Laura Balzano, Necmiye Ozay
- Abstract要約: マルコフ・ジャンプ・リニア・システム (MJS) は、マルコフ連鎖に従ってアクティブモードが切替される切替システムの特別なクラスである。
教師なし学習のクラスタリング技術にインスパイアされた我々は、より少ないモードで縮小されたMJSを構築することができる。
計算コストを大幅に削減した安定性と設計のコントローラを, MJS の削減にどのように利用できるかを示す。
- 参考スコア(独自算出の注目度): 8.450188319487989
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Switched systems are capable of modeling processes with underlying dynamics
that may change abruptly over time. To achieve accurate modeling in practice,
one may need a large number of modes, but this may in turn increase the model
complexity drastically. Existing work on reducing system complexity mainly
considers state space reduction, yet reducing the number of modes is less
studied. In this work, we consider Markov jump linear systems (MJSs), a special
class of switched systems where the active mode switches according to a Markov
chain, and several issues associated with its mode complexity. Specifically,
inspired by clustering techniques from unsupervised learning, we are able to
construct a reduced MJS with fewer modes that approximates well the original
MJS under various metrics. Furthermore, both theoretically and empirically, we
show how one can use the reduced MJS to analyze stability and design
controllers with significant reduction in computational cost while achieving
guaranteed accuracy.
- Abstract(参考訳): 切り替えられたシステムは、時間とともに突然変化するかもしれない基盤となるダイナミクスを持つプロセスをモデル化することができる。
実際に正確なモデリングを実現するには、多数のモードが必要になるかもしれないが、これによってモデルの複雑さが劇的に増大する可能性がある。
システム複雑性を減らすための既存の研究は、主に状態空間の削減を考慮しているが、モードの数を減らすことは少ない。
本稿では,マルコフ連鎖に従ってアクティブモードが切り替わる切替システムの特別なクラスであるマルコフジャンプ線形系 (MJS) について考察する。
具体的には、教師なし学習のクラスタリング技術にインスパイアされて、さまざまなメトリクスの下で元のJSをうまく近似するモードを減らしたMJSを構築することができます。
さらに, 理論上, 実験的にも, MJS を低減して, 精度を保証しつつ, 計算コストを大幅に削減して, 安定度と設計コントローラを解析できることを示す。
関連論文リスト
- Frustration elimination for effective optical spins in coherent Ising
machines [4.015029887580199]
フラストレーションはスピン系における多くの基本的な性質の複雑さの基盤となる。
コヒーレントイジングマシン (CIM) は有望なアナログ計算手法として提案されている。
フラストレーションのないCIM構成に、Isingモデルがどのようにマッピングできるかを示す。
論文 参考訳(メタデータ) (2024-02-23T04:27:33Z) - AdaMerging: Adaptive Model Merging for Multi-Task Learning [72.2068175246167]
本稿では,Adaptive Model Merging (AdaMerging)と呼ばれる革新的な手法を紹介する。
本来のトレーニングデータに頼ることなく、タスクレベルでも階層的にも、モデルマージの係数を自律的に学習することを目指している。
AdaMergingは、現在の最先端のタスク演算のマージ方式と比較すると、パフォーマンスが11%向上している。
論文 参考訳(メタデータ) (2023-10-04T04:26:33Z) - Sparse Modular Activation for Efficient Sequence Modeling [94.11125833685583]
線形状態空間モデルと自己アテンション機構を組み合わせた最近のモデルでは、様々なシーケンスモデリングタスクにおいて顕著な結果が示されている。
現在のアプローチでは、アテンションモジュールを静的かつ均一に入力シーケンスのすべての要素に適用し、最適以下の品質効率のトレードオフをもたらす。
SMA(Sparse Modular Activation)は,ニューラルネットワークが配列要素のサブモジュールを異なる方法でスパースに活性化する機構である。
論文 参考訳(メタデータ) (2023-06-19T23:10:02Z) - Formal Controller Synthesis for Markov Jump Linear Systems with
Uncertain Dynamics [64.72260320446158]
マルコフジャンプ線形系に対する制御器の合成法を提案する。
本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。
本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
論文 参考訳(メタデータ) (2022-12-01T17:36:30Z) - Lightweight and Flexible Deep Equilibrium Learning for CSI Feedback in
FDD Massive MIMO [13.856867175477042]
広帯域多重出力(MIMO)システムでは、ダウンリンクチャネル状態情報(CSI)をベースステーション(BS)に送信する必要がある。
本稿では,深層平衡モデルを用いた軽量で柔軟な深層学習に基づくCSIフィードバック手法を提案する。
論文 参考訳(メタデータ) (2022-11-28T05:53:09Z) - Online Probabilistic Model Identification using Adaptive Recursive MCMC [8.465242072268019]
適応再帰的マルコフ連鎖モンテカルロ法(ARMCMC)を提案する。
モデルパラメータの確率密度関数全体を計算しながら、従来のオンライン手法の欠点を解消する。
本研究では,ソフト曲げアクチュエータとハント・クロスリー動的モデルを用いてパラメータ推定を行った。
論文 参考訳(メタデータ) (2022-10-23T02:06:48Z) - Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。
本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。
LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
論文 参考訳(メタデータ) (2022-09-26T22:22:30Z) - On Fast Simulation of Dynamical System with Neural Vector Enhanced
Numerical Solver [59.13397937903832]
ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。
NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。
様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
論文 参考訳(メタデータ) (2022-08-07T09:02:18Z) - Identification and Adaptive Control of Markov Jump Systems: Sample
Complexity and Regret Bounds [24.74448154832031]
本稿では,未知のマルコフジャンプ線形系 (MJS) を2次目的に最適化する問題を考える。
まず,MJSが各モードの力学を学習するためのシステム識別アルゴリズムを提案する。
そこで本研究では,システム識別と等価な制御を併用した適応制御方式を提案する。
論文 参考訳(メタデータ) (2021-11-13T02:38:13Z) - Harnessing Tensor Structures -- Multi-Mode Reservoir Computing and Its
Application in Massive MIMO [39.46260351352041]
新しいニューラルネットワーク(NN)構造、マルチモード貯留層コンピューティング(マルチモードRC)を紹介します。
マルチモードRCベースの学習フレームワークは、無線システムの実用的制約を効果的に効果的に対処することができる。
論文 参考訳(メタデータ) (2021-01-25T20:30:22Z) - Accurate and Lightweight Image Super-Resolution with Model-Guided Deep
Unfolding Network [63.69237156340457]
我々は、モデル誘導深部展開ネットワーク(MoG-DUN)と呼ばれるSISRに対する説明可能なアプローチを提示し、提唱する。
MoG-DUNは正確(エイリアスを少なくする)、計算効率(モデルパラメータを減らした)、多用途(多重劣化を処理できる)である。
RCAN, SRDNF, SRFBNを含む既存の最先端画像手法に対するMoG-DUN手法の優位性は、いくつかの一般的なデータセットと様々な劣化シナリオに関する広範な実験によって実証されている。
論文 参考訳(メタデータ) (2020-09-14T08:23:37Z)
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。