論文の概要: Gaussian Process Koopman Mode Decomposition
- arxiv url: http://arxiv.org/abs/2209.04111v1
- Date: Fri, 9 Sep 2022 03:57:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-12 12:23:27.325591
- Title: Gaussian Process Koopman Mode Decomposition
- Title(参考訳): ガウス過程 クープマンモード分解
- Authors: Takahiro Kawashima, Hideitsu Hino
- Abstract要約: 教師なしガウス過程に基づくクープマンモード分解の非線形確率的生成モデルを提案する。
提案手法を合成データと実世界の疫学的データセットの両方に適用することにより, 推定パラメータを用いて様々な分析が可能であることを示す。
- 参考スコア(独自算出の注目度): 5.888646114353371
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a nonlinear probabilistic generative model of
Koopman mode decomposition based on an unsupervised Gaussian process. Existing
data-driven methods for Koopman mode decomposition have focused on estimating
the quantities specified by Koopman mode decomposition, namely, eigenvalues,
eigenfunctions, and modes. Our model enables the simultaneous estimation of
these quantities and latent variables governed by an unknown dynamical system.
Furthermore, we introduce an efficient strategy to estimate the parameters of
our model by low-rank approximations of covariance matrices. Applying the
proposed model to both synthetic data and a real-world epidemiological dataset,
we show that various analyses are available using the estimated parameters.
- Abstract(参考訳): 本論文では,教師なしガウス過程に基づくクープマンモード分解の非線形確率生成モデルを提案する。
既存のクープマンモード分解のためのデータ駆動手法は、クープマンモード分解によって指定された量、すなわち固有値、固有関数、モードの推定に重点を置いている。
我々のモデルは、未知の力学系によって支配されるこれらの量と潜在変数の同時推定を可能にする。
さらに,共分散行列の低ランク近似によりモデルのパラメータを推定する効率的な手法を提案する。
提案モデルを合成データと実世界の疫学データセットの両方に適用することで,推定パラメータを用いて様々な解析が可能となることを示す。
関連論文リスト
- Deep Koopman-layered Model with Universal Property Based on Toeplitz Matrices [26.96258010698567]
提案モデルは理論的固さと柔軟性の両方を有する。
提案したモデルの柔軟性により、不規則な力学系から来る時系列データを適合させることができる。
論文 参考訳(メタデータ) (2024-10-03T04:27:46Z) - Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。
これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
論文 参考訳(メタデータ) (2024-03-03T04:21:21Z) - Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated
Control Form and NMPC Case Study [56.283944756315066]
そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。
ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
論文 参考訳(メタデータ) (2024-01-09T11:54:54Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳(メタデータ) (2023-12-19T21:45:38Z) - Beyond expectations: Residual Dynamic Mode Decomposition and Variance
for Stochastic Dynamical Systems [8.259767785187805]
ダイナミックモード分解(Dynamic Mode Decomposition, DMD)は、プロジェクションベースの手法のポスターチャイルドである。
統計的コヒーレンシーを測るための分散擬似スペクトルの概念を導入する。
本研究は、シミュレーションデータと実験データの両方を用いた実用的応用を結論付けている。
論文 参考訳(メタデータ) (2023-08-21T13:05:12Z) - Auxiliary Functions as Koopman Observables: Data-Driven Analysis of
Dynamical Systems via Polynomial Optimization [0.0]
本稿では,明示的なモデル発見を必要としないフレキシブルなデータ駆動型システム解析手法を提案する。
この手法は、データからクープマン演算子を近似する確立した手法に根ざし、数値的に解ける半定プログラムとして実装される。
論文 参考訳(メタデータ) (2023-03-02T18:44:18Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳(メタデータ) (2022-11-30T05:33:29Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳(メタデータ) (2021-06-03T12:59:16Z) - A similarity-based Bayesian mixture-of-experts model [0.5156484100374058]
多変量回帰問題に対する新しい非パラメトリック混合実験モデルを提案する。
条件付きモデルを用いて、サンプル外入力の予測は、観測された各データポイントと類似性に基づいて行われる。
混合物のパラメータと距離測定値に基づいて後部推論を行う。
論文 参考訳(メタデータ) (2020-12-03T18:08:30Z) - Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
異種データセットから学習した後続分布を融合する手法を提案する。
我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
論文 参考訳(メタデータ) (2020-07-13T03:27:45Z) - Bayesian System ID: Optimal management of parameter, model, and
measurement uncertainty [0.0]
システム識別(ID)の確率的定式化の頑健さを,スパース,ノイズ,間接データに対して評価した。
従来手法の目的関数面と比較して,ログ後部は幾何学的特性が向上したことを示す。
論文 参考訳(メタデータ) (2020-03-04T22:48:30Z)
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。