論文の概要: Learning Deep Input-Output Stable Dynamics

• arxiv url: http://arxiv.org/abs/2206.13093v1
• Date: Mon, 27 Jun 2022 07:54:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-28 17:18:49.779399
• Title: Learning Deep Input-Output Stable Dynamics
• Title（参考訳）: 深い入出力安定ダイナミクスの学習
• Authors: Yuji Okamoto and Ryosuke Kojima
• Abstract要約: 入力出力安定性を保証する非線形系を学習する手法を提案する。 提案手法はハミルトン-ヤコビ不等式を満たす空間への微分可能射影を利用する。 その結果,ニューラルネットワークを用いた非線形システムは,ニューラルネットとは違って入力出力安定性を実現することがわかった。
• 参考スコア（独自算出の注目度）: 2.055949720959582
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning stable dynamics from observed time-series data is an essential problem in robotics, physical modeling, and systems biology. Many of these dynamics are represented as an inputs-output system to communicate with the external environment. In this study, we focus on input-output stable systems, exhibiting robustness against unexpected stimuli and noise. We propose a method to learn nonlinear systems guaranteeing the input-output stability. Our proposed method utilizes the differentiable projection onto the space satisfying the Hamilton-Jacobi inequality to realize the input-output stability. The problem of finding this projection can be formulated as a quadratic constraint quadratic programming problem, and we derive the particular solution analytically. Also, we apply our method to a toy bistable model and the task of training a benchmark generated from a glucose-insulin simulator. The results show that the nonlinear system with neural networks by our method achieves the input-output stability, unlike naive neural networks. Our code is available at https://github.com/clinfo/DeepIOStability.
• Abstract（参考訳）: 観測時系列データから安定したダイナミクスを学ぶことは、ロボット工学、物理モデリング、システム生物学において重要な問題である。 これらのダイナミクスの多くは、外部環境と通信する入出力システムとして表現される。 本研究では,入出力安定系に着目し,予期せぬ刺激や雑音に対して頑健性を示す。 入力出力安定性を保証する非線形システムの学習法を提案する。 提案手法はハミルトン-ヤコビ不等式を満たす空間への微分可能射影を利用して入力出力安定性を実現する。 この射影を見つける問題は二次制約二次計画問題として定式化でき、解析的に特定の解を導出する。 また,本手法をおもちゃの双安定モデルに適用し,グルコース-インスリンシミュレータから生成したベンチマークをトレーニングする。 その結果,ニューラルネットワークを用いた非線形システムは,ニューラルネットとは違って入力出力安定性を実現することがわかった。 私たちのコードはhttps://github.com/clinfo/deepiostabilityで利用可能です。

関連論文リスト

• ICODE: Modeling Dynamical Systems with Extrinsic Input Information [14.521146920900316]
  モデルの学習過程に,正確なリアルタイム入力情報を組み込んだ入力共役ニューラルネットワーク(ICODE)を導入する。 いくつかの代表的実動力学の実験を通して本手法を検証する。 この研究は、明示的な外部入力情報で物理的システムを理解するための貴重なニューラルネットワークODEモデルのクラスを提供する。
  論文  参考訳（メタデータ） (2024-11-21T07:57:59Z)
• Learning Controlled Stochastic Differential Equations [61.82896036131116]
  本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。 我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。 当社のメソッドはオープンソースPythonライブラリとして利用可能です。
  論文  参考訳（メタデータ） (2024-11-04T11:09:58Z)
• Learning Deep Dissipative Dynamics [5.862431328401459]
  分散性は、安定性と入出力安定性を一般化する力学系にとって重要な指標である。 本稿では,ニューラルネットワークで表現される任意のダイナミクスを散逸型プロジェクションに変換する微分可能プロジェクションを提案する。 本手法は, 訓練された力学系の安定性, 入力出力安定性, エネルギー保存を厳密に保証する。
  論文  参考訳（メタデータ） (2024-08-21T09:44:43Z)
• Inference of Continuous Linear Systems from Data with Guaranteed Stability [7.067529286680843]
  本研究は,データから連続線形モデルを学習することに焦点を当てる。 我々は[Gillis/Sharma, Automatica, 2017]で提案された安定行列のパラメータ化を利用して, 所望のモデルを実現する。 連続系を学習するための微分情報の推定を避けるために,積分形式で推論問題を定式化する。
  論文  参考訳（メタデータ） (2023-01-24T15:04:19Z)
• Learning Stabilizable Deep Dynamics Models [1.75320459412718]
  本稿では,入力-アフィン制御系のダイナミクスを学習するための新しい手法を提案する。 重要な特徴は、学習モデルの安定化コントローラと制御リャプノフ関数も得られることである。 提案手法はハミルトン-ヤコビ不等式の解法にも適用可能である。
  論文  参考訳（メタデータ） (2022-03-18T03:09:24Z)
• 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)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)
• 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)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)
• Enhancement of shock-capturing methods via machine learning [0.0]
  我々は不連続解を用いてPDEをシミュレートするための改良された有限体積法を開発した。 5階WENO法の結果を改善するためにニューラルネットワークを訓練する。 数値解が過度に拡散するシミュレーションにおいて,本手法はWENOよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-02-06T21:51:39Z)

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。