Fugu-MT 論文翻訳(概要): The Past Does Matter: Correlation of Subsequent States in Trajectory Predictions of Gaussian Process Models

論文の概要: The Past Does Matter: Correlation of Subsequent States in Trajectory Predictions of Gaussian Process Models

arxiv url: http://arxiv.org/abs/2211.11103v2
Date: Sat, 13 May 2023 19:58:43 GMT
ステータス: 処理完了
システム内更新日: 2023-05-17 00:14:28.426014
Title: The Past Does Matter: Correlation of Subsequent States in Trajectory Predictions of Gaussian Process Models
Title（参考訳）: 過去が重要なこと:ガウス過程モデルの軌道予測における後続状態の相関
Authors: Steffen Ridderbusch, Sina Ober-Bl\"obaum, Paul Goulart
Abstract要約: モデルの出力と軌道分布の近似を考察する。本研究では,不確実性伝播に関するこれまでの研究は,予測された軌道のその後の状態の間に独立性の仮定を誤って含んでいたことを示す。
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: Computing the distribution of trajectories from a Gaussian Process model of a dynamical system is an important challenge in utilizing such models. Motivated by the computational cost of sampling-based approaches, we consider approximations of the model's output and trajectory distribution. We show that previous work on uncertainty propagation, focussed on discrete state-space models, incorrectly included an independence assumption between subsequent states of the predicted trajectories. Expanding these ideas to continuous ordinary differential equation models, we illustrate the implications of this assumption and propose a novel piecewise linear approximation of Gaussian Processes to mitigate them.
Abstract（参考訳）: 力学系のガウス過程モデルから軌跡の分布を計算することは,そのようなモデルを利用する上で重要な課題である。サンプリングベースアプローチの計算コストに動機づけられ,モデルの出力と軌道分布の近似を考える。従来の不確実性伝播は離散状態空間モデルに焦点をあて、予測された軌道のその後の状態間の独立性の仮定を誤って含んでいた。これらのアイデアを連続常微分方程式モデルに拡張し、この仮定の意義を説明し、ガウス過程の新たな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。