論文の概要: Online Probabilistic Model Identification using Adaptive Recursive MCMC
- arxiv url: http://arxiv.org/abs/2210.12595v1
- Date: Sun, 23 Oct 2022 02:06:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 22:13:29.755737
- Title: Online Probabilistic Model Identification using Adaptive Recursive MCMC
- Title（参考訳）: Adaptive Recursive MCMC を用いたオンライン確率モデル同定
- Authors: Pedram Agand, Mo Chen, and Hamid D. Taghirad
- Abstract要約: Adaptive Recursive Markov Chain Monte Carlo法はモデルパラメータの完全確率密度関数を計算する。
時間的誤り係数(TFF)に基づく可変ジャンプ分布をARMCMCで提案する。
本稿では,ソフト曲げアクチュエータのパラメータ推定とHunt-Crossley動的モデルについて検討した。
- 参考スコア（独自算出の注目度）: 7.794211366198157
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Bayesian paradigm provides a rigorous framework for estimating the whole
probability distribution over unknown parameters, but due to high computational
costs, its online application can be difficult. We propose the Adaptive
Recursive Markov Chain Monte Carlo (ARMCMC) method, which calculates the
complete probability density function of model parameters while alleviating the
drawbacks of traditional online methods. These flaws include being limited to
Gaussian noise, being solely applicable to linear in the parameters (LIP)
systems, and having persisting excitation requirements (PE). A variable jump
distribution based on a temporal forgetting factor (TFF) is proposed in ARMCMC.
The TFF can be utilized in many dynamical systems as an effective way to
adaptively present the forgetting factor instead of a constant hyperparameter.
The particular jump distribution has tailored towards hybrid/multi-modal
systems that enables inferences among modes by providing a trade-off between
exploitation and exploration. These trade-off are adjusted based on parameter
evolution rate. In comparison to traditional MCMC techniques, we show that
ARMCMC requires fewer samples to obtain the same accuracy and reliability. We
show our method on two challenging benchmarks: parameter estimation in a soft
bending actuator and the Hunt-Crossley dynamic model. We also compare our
method with recursive least squares and the particle filter, and show that our
technique has significantly more accurate point estimates as well as a decrease
in tracking error of the value of interest.
- Abstract（参考訳）: ベイズパラダイムは未知のパラメータ全体の確率分布を推定するための厳密な枠組みを提供するが、高い計算コストのため、そのオンライン応用は困難である。
本稿では,従来のオンライン手法の欠点を緩和しつつ,モデルパラメータの完全確率密度関数を計算する適応再帰的マルコフ連鎖モンテカルロ法を提案する。
これらの欠陥には、ガウス雑音に限定され、パラメータ(LIP)系の線形にのみ適用でき、持続的な励起要求(PE)がある。
armcmcでは時間的忘れる因子(tff)に基づく可変ジャンプ分布が提案されている。
tffは、多くの力学系において、定数ハイパーパラメータの代わりにリテーティング係数を適応的に提示する効果的な方法として利用することができる。
特定のジャンプ分布は、搾取と探索の間のトレードオフを提供することでモード間の推論を可能にするハイブリッド/マルチモーダルシステム向けに調整されている。
これらのトレードオフはパラメータの進化率に基づいて調整される。
従来の MCMC 技術と比較して,ARMCMC は同じ精度と信頼性を得るために,より少ないサンプルを必要とすることを示す。
軟曲げアクチュエータのパラメータ推定とハント・クロスリー力学モデルを用いて,2つの難解なベンチマーク実験を行った。
また,本手法を再帰最小二乗法と粒子フィルタと比較し,より精度の高い点推定を行うとともに,関心値の追跡誤差を低減できることを示した。
関連論文リスト
- Variational Inference of Parameters in Opinion Dynamics Models [9.51311391391997]
この研究は、変数推論を用いて、意見力学 ABM のパラメータを推定する。
我々は推論プロセスを自動微分に適した最適化問題に変換する。
提案手法は, シミュレーションベース法とMCMC法より, マクロ的(有界信頼区間とバックファイア閾値)と微視的(200ドル, エージェントレベルの役割)の両方を正確に推定する。
論文 参考訳（メタデータ） (2024-03-08T14:45:18Z) - 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) - Formal Controller Synthesis for Markov Jump Linear Systems with
Uncertain Dynamics [64.72260320446158]
マルコフジャンプ線形系に対する制御器の合成法を提案する。
本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。
本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
論文 参考訳（メタデータ） (2022-12-01T17:36:30Z) - Scalable Stochastic Parametric Verification with Stochastic Variational
Smoothed Model Checking [1.5293427903448025]
平滑モデル検査 (smMC) は, パラメータ空間全体の満足度関数を, 限られた観測値から推定することを目的としている。
本稿では,確率論的機械学習の最近の進歩を利用して,この限界を推し進める。
構成された満足度関数のスケーラビリティ,計算効率,精度を調べた結果,smMCとSV-smMCの性能を比較した。
論文 参考訳（メタデータ） (2022-05-11T10:43:23Z) - Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。
パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
論文 参考訳（メタデータ） (2022-04-13T12:43:12Z) - Adversarial Robustness Verification and Attack Synthesis in Stochastic
Systems [8.833548357664606]
我々は、離散時間マルコフ連鎖(DTMC)として定義されるシステムにおける対向的堅牢性のための公式な枠組みを開発する。
我々は、元の遷移確率の周囲に$varepsilon$ボールで制約された、敵がシステム遷移を摂動できる脅威モデルのクラスを概説する。
論文 参考訳（メタデータ） (2021-10-05T15:52:47Z) - Gaussian Process Latent Class Choice Models [7.992550355579791]
離散選択モデル(DCM)における確率的機械学習の非パラメトリッククラスを提案する。
提案モデルでは,GPを用いた行動同質クラスタ(ラテントクラス)に確率的に個人を割り当てる。
モデルは2つの異なるモード選択アプリケーションでテストされ、異なるLCCMベンチマークと比較される。
論文 参考訳（メタデータ） (2021-01-28T19:56:42Z) - Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。
AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。
本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文 参考訳（メタデータ） (2020-10-24T07:01:24Z) - Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned
Edge Learning Over Broadband Channels [69.18343801164741]
パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。
本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
論文 参考訳（メタデータ） (2020-10-08T15:27:50Z) - Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。
本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。
このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文 参考訳（メタデータ） (2020-09-29T12:50:33Z)
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。