Fugu-MT 論文翻訳(概要): Distributed Bayesian Learning of Dynamic States

論文の概要: Distributed Bayesian Learning of Dynamic States

arxiv url: http://arxiv.org/abs/2212.02565v1
Date: Mon, 5 Dec 2022 19:40:17 GMT
ステータス: 処理完了
システム内更新日: 2022-12-07 18:15:27.628744
Title: Distributed Bayesian Learning of Dynamic States
Title（参考訳）: 動的状態の分散ベイズ学習
Authors: Mert Kayaalp, Virginia Bordignon, Stefan Vlaski, Vincenzo Matta, Ali H. Sayed
Abstract要約: 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。
参考スコア（独自算出の注目度）: 65.7870637855531
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This work studies networked agents cooperating to track a dynamical state of nature under partial information. The proposed algorithm is a distributed Bayesian filtering algorithm for finite-state hidden Markov models (HMMs). It can be used for sequential state estimation tasks, as well as for modeling opinion formation over social networks under dynamic environments. We show that the disagreement with the optimal centralized solution is asymptotically bounded for the class of geometrically ergodic state transition models, which includes rapidly changing models. We also derive recursions for calculating the probability of error and establish convergence under Gaussian observation models. Simulations are provided to illustrate the theory and to compare against alternative approaches.
Abstract（参考訳）: 本研究は、部分的情報の下で自然の動的状態を追跡するために協調するネットワークエージェントの研究である。提案アルゴリズムは有限状態隠れマルコフモデル(HMM)に対する分散ベイズフィルタアルゴリズムである。シーケンシャルな状態推定タスクや、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。最適集中解に対する不一致は、急速に変化するモデルを含む幾何学的エルゴード状態遷移モデルのクラスに漸近的に有界であることを示す。また、誤差の確率を計算し、ガウス観測モデルの下で収束を確立するための再帰を導出する。理論を説明するためのシミュレーションが提供され、代替手法と比較される。

関連論文リスト

Flow-based generative models as iterative algorithms in probability space [18.701755188870823]
フローベースの生成モデルは、正確な推定、効率的なサンプリング、決定論的変換を提供する。本チュートリアルでは,フローベース生成モデルのための直感的な数学的枠組みを提案する。我々は,信号処理や機械学習にフローベース生成モデルを効果的に適用するために必要なツールを研究者や実践者に提供することを目的としている。
論文参考訳（メタデータ） (2025-02-19T03:09:18Z)
Preconditioned Inexact Stochastic ADMM for Deep Model [35.37705488695026]
本稿では,拡張性のある並列計算を可能にするアルゴリズム PISA を開発し,様々な第2モーメント方式をサポートする。厳密な理論的な保証の下で、アルゴリズムは勾配のリプシッツの唯一の仮定の下で収束する。視覚モデル、大規模言語モデル、強化学習モデル、生成的敵ネットワーク、繰り返しニューラルネットワークを含む様々なFMの総合的または微調整実験は、様々な最先端の方向と比較して優れた数値性能を示す。
論文参考訳（メタデータ） (2025-02-15T12:28:51Z)
Structure Learning in Gaussian Graphical Models from Glauber Dynamics [6.982878344925993]
グラウバー力学に基づいてデータをサンプリングする場合, ガウスモデル選択のための最初のアルゴリズムを提案する。本稿では,提案アルゴリズムの構造学習性能の計算的および統計的複雑さを保証する。
論文参考訳（メタデータ） (2024-12-24T18:49:13Z)
Latent Variable Representation for Reinforcement Learning [131.03944557979725]
モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-12-17T00:26:31Z)
Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
論文参考訳（メタデータ） (2021-11-02T12:33:42Z)
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)
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)
Statistical optimality and stability of tangent transform algorithms in logit models [6.9827388859232045]
我々は,データ生成過程の条件として,ロジカルオプティマによって引き起こされるリスクに対して,非漸近上界を導出する。特に,データ生成過程の仮定なしにアルゴリズムの局所的変動を確立する。我々は,大域収束が得られる半直交設計を含む特別な場合について検討する。
論文参考訳（メタデータ） (2020-10-25T05:15:13Z)
Control as Hybrid Inference [62.997667081978825]
本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
論文参考訳（メタデータ） (2020-07-11T19:44:09Z)
Decentralized MCTS via Learned Teammate Models [89.24858306636816]
本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
論文参考訳（メタデータ） (2020-03-19T13:10:20Z)

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。