Fugu-MT 論文翻訳(概要): PAC-Bayesian-Like Error Bound for a Class of Linear Time-Invariant Stochastic State-Space Models

論文の概要: PAC-Bayesian-Like Error Bound for a Class of Linear Time-Invariant Stochastic State-Space Models

arxiv url: http://arxiv.org/abs/2212.14838v1
Date: Fri, 30 Dec 2022 17:37:33 GMT
ステータス: 処理完了
システム内更新日: 2023-01-02 16:23:01.907432
Title: PAC-Bayesian-Like Error Bound for a Class of Linear Time-Invariant Stochastic State-Space Models
Title（参考訳）: 線形時間不変確率空間モデルに対するPAC-Bayesian型誤差境界
Authors: Deividas Eringis, John Leth, Zheng-Hua Tan, Rafal Wisniewski, Mihaly Petreczky
Abstract要約: 入力を持つ力学系のクラスに対して、PAC-Bayesian-likeエラーバウンドを導出する。この誤差の様々な結果について議論する。
参考スコア（独自算出の注目度）: 13.251009291060992
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In this paper we derive a PAC-Bayesian-Like error bound for a class of stochastic dynamical systems with inputs, namely, for linear time-invariant stochastic state-space models (stochastic LTI systems for short). This class of systems is widely used in control engineering and econometrics, in particular, they represent a special case of recurrent neural networks. In this paper we 1) formalize the learning problem for stochastic LTI systems with inputs, 2) derive a PAC-Bayesian-Like error bound for such systems, 3) discuss various consequences of this error bound.
Abstract（参考訳）: 本稿では,線形時間不変確率状態空間モデル(略してLTI系)に対して,入力を持つ確率力学系のクラスに対して,PAC-Bayesian型誤差境界を導出する。このタイプのシステムは制御工学や計量学で広く使われており、特にリカレントニューラルネットワークの特殊な例を表している。本論文では, 1)入力を伴う確率的LTIシステムの学習問題を定式化する。 2) PAC-Bayesian-like error bound for such systems。 3) この誤差の様々な結果について議論する。

関連論文リスト

A finite-sample generalization bound for stable LPV systems [0.0]
安定な連続時間線形パラメータ可変(LPV)システムに対するPACバウンダリを導出する。我々の境界は、選択されたLPV系のH2ノルムに依存するが、信号が考慮される時間間隔に依存しない。
論文参考訳（メタデータ） (2024-05-16T12:42:36Z)
PAC-Bayes Generalisation Bounds for Dynamical Systems Including Stable RNNs [11.338419403452239]
離散時間非線形力学系の特殊クラスに対する一般化ギャップに縛られたPAC-Bayesを導出する。提案した境界はデータセットのサイズが大きくなるにつれて0に収束する。他の利用可能なバウンダリと異なり、派生したバウンダリは非i.d.データ(時系列)を保持しており、RNNのステップ数で成長しない。
論文参考訳（メタデータ） (2023-12-15T13:49:29Z)
Machine learning in and out of equilibrium [58.88325379746631]
我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
論文参考訳（メタデータ） (2023-06-06T09:12:49Z)
PAC-Bayesian bounds for learning LTI-ss systems with input from empirical loss [13.251009291060992]
入力を持つ線形時間不変(LTI)力学系に対して、確率的に近似的正則(PAC)-ベイジアン誤差を導出する。このような境界は機械学習に広く浸透しており、有限個のデータポイントから学習したモデルの予測力を特徴づけるのに有用である。
論文参考訳（メタデータ） (2023-03-29T16:06:07Z)
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)
Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
論文参考訳（メタデータ） (2022-10-12T06:46:38Z)
Characterizing possible failure modes in physics-informed neural networks [55.83255669840384]
科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
論文参考訳（メタデータ） (2021-09-02T16:06:45Z)
Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-05-06T08:48:02Z)
PAC-Bayesian theory for stochastic LTI systems [15.01136076871549]
自律 LTI 状態空間モデルに対する PAC-Bayesian 誤差を導出する。このようなエラー境界を導出する動機は、より一般的な動的システムに対して同様のエラー境界を導出できるようにすることである。
論文参考訳（メタデータ） (2021-03-23T21:59:21Z)
LSTM for Model-Based Anomaly Detection in Cyber-Physical Systems [4.020523898765404]
異常検出は、与えられたコンテキストにおけるシステムの通常の振る舞いとは異なるデータを検出するタスクである。 LSTM(Long Short-Term Memory)ニューラルネットワークは、時系列を学習するのに特に有用であることが示されている。私たちは、人工データと実データに対するアプローチを分析します。
論文参考訳（メタデータ） (2020-10-29T15:26:08Z)
Time-Reversal Symmetric ODE Network [138.02741983098454]
時間反転対称性は古典力学や量子力学においてしばしば保持される基本的な性質である。本稿では,通常の微分方程式(ODE)ネットワークがこの時間反転対称性にどの程度よく適合しているかを測定する新しい損失関数を提案する。時間反転対称性を完全に持たないシステムであっても, TRS-ODEN はベースラインよりも優れた予測性能が得られることを示す。
論文参考訳（メタデータ） (2020-07-22T12:19:40Z)

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。