Fugu-MT 論文翻訳(概要): Approximate Uncertainty Propagation for Continuous Gaussian Process Dynamical Systems

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

Learning Latent Space Dynamics with Model-Form Uncertainties: A Stochastic Reduced-Order Modeling Approach [0.0]
本稿では,複素系の低次モデリングにおけるモデル形式不確かさの表現と定量化のための確率論的アプローチを提案する。提案手法は,プロジェクション行列のランダム化により近似空間を拡張することにより,これらの不確実性を捉える。提案手法の有効性は, 推算演算子に対するモデル形状の不確実性の影響を同定し, 定量化することにより, 流体力学における正準問題に対して評価される。
論文参考訳（メタデータ） (2024-08-30T19:25:28Z)
von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
円値ランダム関数上の表現的および解釈可能な分布の族を探索する。結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
論文参考訳（メタデータ） (2024-06-19T01:57:21Z)
On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文参考訳（メタデータ） (2024-05-18T15:59:41Z)
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)
Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文参考訳（メタデータ） (2024-02-19T02:08:09Z)
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 [57.27857591493788]
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について検討する。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)
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。