論文の概要: Dynamic Structure Estimation from Bandit Feedback
- arxiv url: http://arxiv.org/abs/2206.00861v1
- Date: Thu, 2 Jun 2022 03:48:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-03 14:53:58.439042
- Title: Dynamic Structure Estimation from Bandit Feedback
- Title(参考訳): バンディットフィードバックによる動的構造推定
- Authors: Motoya Ohnishi, Isao Ishikawa, Yuko Kuroki, Masahiro Ikeda
- Abstract要約: 準ガウス雑音によって汚染された帯域フィードバックから動的構造を推定する問題に対処する。
実験の結果はセルラーオートマタを含むおもちゃの例のシミュレーションで実験的に検証された。
- 参考スコア(独自算出の注目度): 11.846671589708425
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work present novel method for structure estimation of an underlying
dynamical system. We tackle problems of estimating dynamic structure from
bandit feedback contaminated by sub-Gaussian noise. In particular, we focus on
periodically behaved discrete dynamical system in the Euclidean space, and
carefully identify certain obtainable subset of full information of the
periodic structure. We then derive a sample complexity bound for periodic
structure estimation. Technically, asymptotic results for exponential sums are
adopted to effectively average out the noise effects while preventing the
information to be estimated from vanishing. For linear systems, the use of the
Weyl sum further allows us to extract eigenstructures. Our theoretical claims
are experimentally validated on simulations of toy examples, including Cellular
Automata.
- Abstract(参考訳): 本稿では,基礎となる力学系の構造推定法を提案する。
サブガウシアンノイズにより汚染されたバンディットフィードバックから動的構造を推定する問題に取り組む。
特に、ユークリッド空間における周期的に振る舞う離散力学系に注目し、周期構造の全情報の特定の取得可能な部分集合を注意深く同定する。
次に、周期構造推定に束縛されたサンプル複雑性を導出する。
理論的には、指数和に対する漸近的な結果を用いてノイズ効果を効果的に平均し、情報を消失させるのを防ぐ。
線形系では、ワイル和を用いることでさらに固有構造を抽出することができる。
我々の理論的な主張は、セルラーオートマタを含むおもちゃの例のシミュレーションで実験的に検証されている。
関連論文リスト
- Order-based Structure Learning with Normalizing Flows [7.972479571606131]
観測データの因果構造を推定することは、グラフサイズと超指数的にスケールする難しい探索問題である。
既存の手法では、連続緩和を用いてこの問題を計算的に取り扱えるようにしているが、しばしばデータ生成過程を加法雑音モデル(ANM)に制限する。
自己回帰正規化フローを用いてこれらの仮定を緩和するフレームワークである,正規化フローを用いた秩序に基づく構造学習(OSLow)を提案する。
論文 参考訳(メタデータ) (2023-08-14T22:17:33Z) - Physics-informed Gaussian process model for Euler-Bernoulli beam
elements [0.0]
物理インフォームド機械学習モデルをEuler-Bernoulliビーム方程式を用いて定式化する。
このモデルは、構造物の曲げ剛性の分析値の回帰、応答の補間、潜在物理量に対する確率的推論に使うことができる。
論文 参考訳(メタデータ) (2023-08-05T14:48:37Z) - Unravelling quantum chaos using persistent homology [0.0]
トポロジカルデータ分析は、複雑なデータセットから有用なトポロジカル情報を抽出する強力なフレームワークである。
近年の研究では、古典的な散逸系の力学解析への応用が示されている。
古典的アプローチから着想を得た量子力学を特徴付けるトポロジカルパイプラインを提案する。
論文 参考訳(メタデータ) (2022-11-28T07:33:21Z) - Initial Correlations in Open Quantum Systems: Constructing Linear
Dynamical Maps and Master Equations [62.997667081978825]
任意の所定の初期相関に対して、開系の作用素の空間上の線型動的写像を導入することができることを示す。
この構造が一般化されたリンドブラッド構造を持つ線形時間局所量子マスター方程式に導かれることを実証する。
論文 参考訳(メタデータ) (2022-10-24T13:43:04Z) - A Causality-Based Learning Approach for Discovering the Underlying
Dynamics of Complex Systems from Partial Observations with Stochastic
Parameterization [1.2882319878552302]
本稿では,部分的な観測を伴う複雑な乱流系の反復学習アルゴリズムを提案する。
モデル構造を識別し、観測されていない変数を復元し、パラメータを推定する。
数値実験により、新しいアルゴリズムはモデル構造を同定し、多くの複雑な非線形系に対して適切なパラメータ化を提供することに成功した。
論文 参考訳(メタデータ) (2022-08-19T00:35:03Z) - Decimation technique for open quantum systems: a case study with
driven-dissipative bosonic chains [62.997667081978825]
量子系の外部自由度への不可避結合は、散逸(非単体)ダイナミクスをもたらす。
本稿では,グリーン関数の(散逸的な)格子計算に基づいて,これらのシステムに対処する手法を提案する。
本手法のパワーを,複雑性を増大させる駆動散逸型ボゾン鎖のいくつかの例で説明する。
論文 参考訳(メタデータ) (2022-02-15T19:00:09Z) - Reconstructing a dynamical system and forecasting time series by
self-consistent deep learning [4.947248396489835]
ノイズの多い決定論的時系列に自己一貫性のあるディープラーニングフレームワークを導入する。
教師なしフィルタリング、状態空間再構成、基礎となる微分方程式の同定、予測を提供する。
論文 参考訳(メタデータ) (2021-08-04T06:10:58Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Neural Dynamic Mode Decomposition for End-to-End Modeling of Nonlinear
Dynamics [49.41640137945938]
ニューラルネットワークに基づくリフト関数を推定するためのニューラルダイナミックモード分解法を提案する。
提案手法により,予測誤差はニューラルネットワークとスペクトル分解によって逆伝搬される。
提案手法の有効性を,固有値推定と予測性能の観点から実証した。
論文 参考訳(メタデータ) (2020-12-11T08:34:26Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳(メタデータ) (2020-06-11T09:58:01Z)
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。