論文の概要: Multi-Step Prediction in Linearized Latent State Spaces for
Representation Learning
- arxiv url: http://arxiv.org/abs/2209.01127v1
- Date: Fri, 2 Sep 2022 15:37:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-05 12:01:50.846830
- Title: Multi-Step Prediction in Linearized Latent State Spaces for
Representation Learning
- Title(参考訳): 表現学習のための線形潜在状態空間のマルチステップ予測
- Authors: A. Tytarenko
- Abstract要約: 本手法は, 劇的なモデル変化を伴わずにE2Cより優れていることを示す。
実験的なエビデンスとして, ms-E2C法を多段階予測することで, より優れた潜在状態空間を学習できることが示唆された。
- 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 this paper, we derive a novel method as a generalization over LCEs such as
E2C. The method develops the idea of learning a locally linear state space, by
adding a multi-step prediction, thus allowing for more explicit control over
the curvature. We show, that the method outperforms E2C without drastic model
changes which come with other works, such as PCC and P3C. We discuss the
relation between E2C and the presented method and derived update equations. We
provide empirical evidence, which suggests that by considering the multi-step
prediction our method - ms-E2C - allows to learn much better latent state
spaces in terms of curvature and next state predictability. Finally, we also
discuss certain stability challenges we encounter with multi-step predictions
and the ways to mitigate them.
- Abstract(参考訳): 本稿では,E2C などの LCE に対する一般化として,新しい手法を導出する。
本手法は,多段階予測を付加することで局所線形状態空間を学習し,曲率をより明示的に制御する手法である。
提案手法はPCCやP3Cといった他の研究にともなう劇的なモデル変化を伴わずにE2Cより優れていることを示す。
本稿では,E2Cと提案手法の関係と得られた更新方程式について述べる。
我々は,マルチステップ予測を考えることで,曲率と次の状態予測可能性の観点から,より優れた潜在状態空間を学習できることを示唆する実証的証拠を提供する。
最後に,マルチステップ予測に遭遇する安定性の課題と対策について考察する。
関連論文リスト
- Imitation Learning from Observations: An Autoregressive Mixture of Experts Approach [2.4427666827706074]
本稿では,観察から得られた模倣学習の新たなアプローチとして,専門家モデルの自己回帰混合を,その基礎となる方針に適合させる手法を提案する。
提案手法の有効性を,人間の実演から収集した2つの自律走行データセットを用いて検証した。
論文 参考訳(メタデータ) (2024-11-12T22:56:28Z) - Calibrated Multivariate Regression with Localized PIT Mappings [4.277516034244117]
本稿では,多変量キャリブレーションに対処するポストホックリカレーション手法を提案する。
このアプローチの2つのバージョンを示す: 1つはK-アネレスト近傍を使い、もう1つは正規化フローを使用する。
本研究では,インドにおける小児栄養失調の回帰モデルの改善と,深層ニューラルネットワークの通貨為替レート予測の緩和という,2つの実データ応用に対するアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2024-09-17T02:41:03Z) - Multi-Step Embed to Control: A Novel Deep Learning-based Approach for Surrogate Modelling in Reservoir Simulation [0.0]
縮小次数モデル(英: Reduced-order model)またはプロキシモデル(英: proxy model)またはサロゲートモデル(英: surrogate model)は、完全な記述モデルとは対照的に計算コストの低い近似モデルである。
本稿では,長期予測性能を向上したプロキシモデル構築のための,多段階組込み制御モデルと呼ばれる深層学習に基づく代理モデルを提案する。
論文 参考訳(メタデータ) (2024-09-16T01:35:34Z) - Free-Form Variational Inference for Gaussian Process State-Space Models [21.644570034208506]
ベイズGPSSMにおける新しい推論法を提案する。
本手法はハミルトニアンモンテカルロの誘導による自由形式変分推論に基づく。
提案手法は, 競合する手法よりも, 遷移力学や潜伏状態をより正確に学習できることを示す。
論文 参考訳(メタデータ) (2023-02-20T11:34:16Z) - Guaranteed Conservation of Momentum for Learning Particle-based Fluid
Dynamics [96.9177297872723]
本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。
我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。
提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
論文 参考訳(メタデータ) (2022-10-12T09:12:59Z) - Counting Phases and Faces Using Bayesian Thermodynamic Integration [77.34726150561087]
本稿では,2パラメータ統計力学系における熱力学関数と位相境界の再構成手法を提案する。
提案手法を用いて,IsingモデルとTASEPの分割関数と位相図を正確に再構成する。
論文 参考訳(メタデータ) (2022-05-18T17:11:23Z) - Time varying regression with hidden linear dynamics [74.9914602730208]
線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。
反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
論文 参考訳(メタデータ) (2021-12-29T23:37:06Z) - Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。
本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
論文 参考訳(メタデータ) (2021-11-02T12:33:42Z) - Self-Supervised Hybrid Inference in State-Space Models [0.0]
我々は、潜在空間における非線形高階マルコフ連鎖を許容する状態空間モデルにおいて近似推論を行う。
生成モデルや監督のパラメータ化を、未破損の観測や真理潜伏状態による追加のパラメータ化に頼ってはいない。
カオスロレンツシステムにおいて,完全教師付きアプローチと比較して競合的な結果を得るとともに,変分推論に基づく手法よりも優れることを示す。
論文 参考訳(メタデータ) (2021-07-28T13:26:14Z) - GELATO: Geometrically Enriched Latent Model for Offline Reinforcement
Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。
本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。
提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文 参考訳(メタデータ) (2021-02-22T19:42:40Z) - Reintroducing Straight-Through Estimators as Principled Methods for
Stochastic Binary Networks [85.94999581306827]
2重みとアクティベーションを持つニューラルネットワークのトレーニングは、勾配の欠如と離散重みよりも最適化が難しいため、難しい問題である。
多くの実験結果が経験的ストレートスルー(ST)アプローチで達成されている。
同時に、ST法はベルヌーイ重みを持つバイナリネットワーク(SBN)モデルにおける推定子として真に導出することができる。
論文 参考訳(メタデータ) (2020-06-11T23:58:18Z)
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。