論文の概要: Learning linear modules in a dynamic network with missing node
observations
- arxiv url: http://arxiv.org/abs/2208.10995v1
- Date: Tue, 23 Aug 2022 14:22:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 14:16:59.847572
- Title: Learning linear modules in a dynamic network with missing node
observations
- Title（参考訳）: ノード観測を欠いた動的ネットワークにおける線形モジュールの学習
- Authors: Karthik R. Ramaswamy, Giulio Bottegal and Paul M.J. Van den Hof
- Abstract要約: カーネルをベースとした正規化手法と近似推論手法を用いたシステム同定手法を開発した。
実験ベイズ(EB)アプローチは、対象モジュールのパラメータを推定するために用いられる。
関連する最適化問題は、期待最大化(EM)法を用いて解決する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In order to identify a system (module) embedded in a dynamic network, one has
to formulate a multiple-input estimation problem that necessitates certain
nodes to be measured and included as predictor inputs. However, some of these
nodes may not be measurable in many practical cases due to sensor selection and
placement issues. This may result in biased estimates of the target module.
Furthermore, the identification problem associated with the multiple-input
structure may require determining a large number of parameters that are not of
particular interest to the experimenter, with increased computational
complexity in large-sized networks. In this paper, we tackle these problems by
using a data augmentation strategy that allows us to reconstruct the missing
node measurements and increase the accuracy of the estimated target module. To
this end, we develop a system identification method using regularized
kernel-based methods coupled with approximate inference methods. Keeping a
parametric model for the module of interest, we model the other modules as
Gaussian Processes (GP) with a kernel given by the so-called stable spline
kernel. An Empirical Bayes (EB) approach is used to estimate the parameters of
the target module. The related optimization problem is solved using an
Expectation-Maximization (EM) method, where we employ a Markov-chain Monte
Carlo (MCMC) technique to reconstruct the unknown missing node information and
the network dynamics. Numerical simulations on dynamic network examples
illustrate the potentials of the developed method.
- Abstract（参考訳）: 動的ネットワークに埋め込まれたシステム(モジュール)を特定するためには、測定対象のノードを必要とする複数入力推定問題を定式化し、予測入力として含める必要がある。
しかし,センサ選択や配置問題などにより,実用上測定できないノードも少なくない。
これにより、ターゲットモジュールの偏りが生じる可能性がある。
さらに、多重入力構造に関連する同定問題は、実験者にとって特に興味のない多数のパラメータを決定する必要があり、大規模ネットワークでの計算複雑性が増大する。
本稿では,データ拡張戦略を用いて,不足ノード計測を再構築し,推定対象モジュールの精度を向上させることで,これらの課題に対処する。
そこで本研究では,カーネルベースの正規化手法と近似推論手法を組み合わせたシステム同定手法を開発した。
関心のあるモジュールのパラメトリックモデルを保持し、他のモジュールをガウス過程(gp)として、いわゆる安定スプライン核によって与えられるカーネルでモデル化する。
実験ベイズ(EB)アプローチは、対象モジュールのパラメータを推定するために用いられる。
関連する最適化問題は期待最大化 (em) 法を用いて解かれ, 未知のノード情報とネットワークダイナミクスを再構成するためにマルコフ鎖モンテカルロ (mcmc) 手法を用いた。
動的ネットワーク例の数値シミュレーションは, 提案手法のポテンシャルを例証する。
関連論文リスト
- Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。
学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。
In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文 参考訳（メタデータ） (2023-10-17T01:05:28Z) - Dealing with Collinearity in Large-Scale Linear System Identification
Using Gaussian Regression [3.04585143845864]
複数の相互接続型動的システムからなるネットワークの推定について検討する。
我々は、任意のインパルス応答をゼロ平均ガウス過程の実現と見なすベイズ正規化フレームワークにキャストされた戦略を開発する。
我々はマルコフ連鎖モンテカルロスキームを設計し、コリナリティを効率的に扱うことでインパルス応答を後方に再構築する。
論文 参考訳（メタデータ） (2023-02-21T19:35:47Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z) - Multiple Kernel Representation Learning on Networks [12.106994960669924]
ネットワークのノードに関するランダムな歩行に基づく情報を符号化する重み付き行列分解モデルを提案する。
我々は、カーネルの辞書の線形結合としてカーネルを学習する柔軟性を提供する複数のカーネル学習定式化により、アプローチを拡張した。
論文 参考訳（メタデータ） (2021-06-09T13:22:26Z) - ConCrete MAP: Learning a Probabilistic Relaxation of Discrete Variables
for Soft Estimation with Low Complexity [9.62543698736491]
ConCrete MAP Detection (CMD)は、大きな逆線形問題に対する反復検出アルゴリズムである。
我々は、SotAと比較して、CMDが有望なパフォーマンス複雑性のトレードオフを特徴付けることを示す。
特に,CMDのソフト出力がデコーダに信頼性を持つことを示す。
論文 参考訳（メタデータ） (2021-02-25T09:54:25Z) - Offline Model-Based Optimization via Normalized Maximum Likelihood
Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。
この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。
我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文 参考訳（メタデータ） (2021-02-16T06:04:27Z) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳（メタデータ） (2020-09-08T13:26:51Z) - Bayesian neural networks and dimensionality reduction [4.039245878626346]
そのような問題に対するモデルに基づくアプローチのクラスは、未知の非線形回帰関数における潜在変数を含む。
VAEは、近似を用いて計算をトラクタブルにする人工知能ニューラルネットワーク(ANN)である。
潜在変数を持つANNモデルにおいて,マルコフ連鎖モンテカルロサンプリングアルゴリズムをベイズ推定のために展開する。
論文 参考訳（メタデータ） (2020-08-18T17:11:07Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳（メタデータ） (2020-06-16T21:56:22Z)
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。