論文の概要: Approximate Uncertainty Propagation for Continuous Gaussian Process
Dynamical Systems
- arxiv url: http://arxiv.org/abs/2211.11103v1
- Date: Sun, 20 Nov 2022 22:19:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 19:11:49.326478
- Title: Approximate Uncertainty Propagation for Continuous Gaussian Process
Dynamical Systems
- Title(参考訳): 連続ガウス過程力学系の近似不確かさ伝播
- Authors: Steffen Ridderbusch, Sina Ober-Bl\"obaum, Paul Goulart
- Abstract要約: 既存の手法が誤った暗黙的な独立を仮定し、モデルによる不確実性を過小評価していることを示す。
そこで本研究では,サンプリング法に適合する効率的な不確実性推定のための数値解法のクラスを導出するGPモデルの一方向線形近似を提案する。
- 参考スコア(独自算出の注目度): 0.7734726150561089
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When learning continuous dynamical systems with Gaussian Processes, computing
trajectories requires repeatedly mapping the distributions of uncertain states
through the distribution of learned nonlinear functions, which is generally
intractable. Since sampling-based approaches are computationally expensive, we
consider approximations of the output and trajectory distributions. We show
that existing methods make an incorrect implicit independence assumption and
underestimate the model-induced uncertainty. We propose a piecewise linear
approximation of the GP model yielding a class of numerical solvers for
efficient uncertainty estimates matching sampling-based methods.
- Abstract(参考訳): ガウス過程で連続力学系を学習する際には、不確定状態の分布を学習された非線形関数の分布を通じて繰り返しマッピングする必要がある。
サンプリングベースアプローチは計算コストが高いため,出力分布と軌道分布の近似を考える。
既存の手法では暗黙の独立性を仮定し,モデルによる不確実性を過小評価している。
そこで本論文では,サンプリング法に適合する効率的な不確実性推定のための数値解法としてgpモデルの分割線形近似を提案する。
関連論文リスト
- 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) - Distributed Markov Chain Monte Carlo Sampling based on the Alternating
Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。
我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。
シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文 参考訳(メタデータ) (2024-01-29T02:08:40Z) - Causal Modeling with Stationary Diffusions [58.4405484308163]
定常密度が干渉下でのシステムの挙動をモデル化する微分方程式を学習する。
古典的アプローチよりもよく、変数に対する見当たらない介入を一般化することを示します。
提案手法は,再生カーネルヒルベルト空間における拡散発生器の定常状態を表す新しい理論結果に基づく。
論文 参考訳(メタデータ) (2023-10-26T14:01:17Z) - Data-driven Modeling and Inference for Bayesian Gaussian Process ODEs
via Double Normalizing Flows [28.62579476863723]
本稿では,ODEベクトル場を再パラメータ化するために正規化フローを導入し,データ駆動の事前分布を導出する。
また, GP ODE の後部推定に正規化フローを適用し, 強平均場仮定の問題を解く。
シミュレーション力学系と実世界の人間の動作データに対するアプローチの有効性を検証した。
論文 参考訳(メタデータ) (2023-09-17T09:28:47Z) - A Geometric Perspective on Diffusion Models [60.69328526215776]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングを検証し,そのサンプリングダイナミクスの興味深い構造を明らかにした。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳(メタデータ) (2023-05-31T15:33:16Z) - Distributed Bayesian Learning of Dynamic States [65.7870637855531]
提案アルゴリズムは有限状態隠れマルコフモデルに対する分散ベイズフィルタタスクである。
逐次状態推定や、動的環境下でのソーシャルネットワーク上での意見形成のモデル化に使用できる。
論文 参考訳(メタデータ) (2022-12-05T19:40:17Z) - 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) - Fast Estimation of Bayesian State Space Models Using Amortized
Simulation-Based Inference [0.0]
本稿では,ベイズ状態空間モデルの隠れ状態を推定するための高速アルゴリズムを提案する。
事前トレーニングの後、データセットの後方分布を見つけるには、100分の1秒から10分の1秒かかる。
論文 参考訳(メタデータ) (2022-10-13T16:37:05Z) - Variational Inference for Continuous-Time Switching Dynamical Systems [29.984955043675157]
従属拡散過程を変調したマルコフジャンプ過程に基づくモデルを提案する。
我々は,新しい連続時間変動推定アルゴリズムを開発した。
モデル仮定と実世界の実例に基づいて,我々のアルゴリズムを広範囲に評価する。
論文 参考訳(メタデータ) (2021-09-29T15:19:51Z) - Nonlinear Hawkes Process with Gaussian Process Self Effects [3.441953136999684]
ホークスプロセスは、歴史に依存した時間-連続的な点プロセスのモデル化に使用される。
本稿では、自己影響が興奮型と抑制型の両方である拡張モデルを提案する。
我々は、ホークス過程に対するベイズ的推論の行程を継続し、我々のアプローチは、後方の分岐構造を推定する必要性を解消する。
論文 参考訳(メタデータ) (2021-05-20T09:20:35Z)
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。