論文の概要: Reduced-Order Autodifferentiable Ensemble Kalman Filters
- arxiv url: http://arxiv.org/abs/2301.11961v1
- Date: Fri, 27 Jan 2023 19:32:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-31 19:59:51.687054
- Title: Reduced-Order Autodifferentiable Ensemble Kalman Filters
- Title(参考訳): 自己微分可能アンサンブルカルマンフィルタの低次化
- Authors: Yuming Chen, Daniel Sanz-Alonso, Rebecca Willett
- Abstract要約: 我々は、動的に潜在する低次元代理モデルと、潜在空間から状態空間へ写像するデコーダを学習する。
学習されたダイナミクスとデコーダは、状態の再構築と予測のために、アンサンブルカルマンフィルタ内で使用される。
- 参考スコア(独自算出の注目度): 15.203199227862477
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduces a computational framework to reconstruct and forecast a
partially observed state that evolves according to an unknown or
expensive-to-simulate dynamical system. Our reduced-order autodifferentiable
ensemble Kalman filters (ROAD-EnKFs) learn a latent low-dimensional surrogate
model for the dynamics and a decoder that maps from the latent space to the
state space. The learned dynamics and decoder are then used within an ensemble
Kalman filter to reconstruct and forecast the state. Numerical experiments show
that if the state dynamics exhibit a hidden low-dimensional structure,
ROAD-EnKFs achieve higher accuracy at lower computational cost compared to
existing methods. If such structure is not expressed in the latent state
dynamics, ROAD-EnKFs achieve similar accuracy at lower cost, making them a
promising approach for surrogate state reconstruction and forecasting.
- Abstract(参考訳): 本稿では,未知あるいは高価なシミュレーションシステムに従って進化する部分観測状態の再構成と予測を行う計算フレームワークを提案する。
我々の低次自己微分可能アンサンブルカルマンフィルタ(ROAD-EnKFs)は、ダイナミックスのための潜在低次元サロゲートモデルと、潜時空間から状態空間へのデコーダを学習する。
学習されたダイナミクスとデコーダは、状態の再構築と予測のためにアンサンブルカルマンフィルタ内で使用される。
数値実験により、状態ダイナミクスが隠れた低次元構造を示す場合、既存の方法よりも低い計算コストで高い精度が得られることが示された。
このような構造が潜在状態力学で表現されない場合、ROAD-EnKFは低コストで同様の精度を達成し、状態再構成と予測のための有望なアプローチとなる。
関連論文リスト
- DR-Label: Improving GNN Models for Catalysis Systems by Label
Deconstruction and Reconstruction [72.20024514713633]
本稿では,新しいグラフニューラルネットワーク(GNN)と予測戦略DR-Labelを提案する。
この戦略は、監視信号を強化し、エッジ表現における解の多重度を低減し、ノード予測を堅牢にすることを促す。
DR-Labelは3つの根本的に異なるモデルに適用され、それぞれが一貫した性能向上を示した。
論文 参考訳(メタデータ) (2023-03-06T04:01:28Z) - Deep learning-enhanced ensemble-based data assimilation for
high-dimensional nonlinear dynamical systems [0.0]
Ensemble Kalman filter (EnKF) は高次元非線形力学系を含むアプリケーションで広く使われているDAアルゴリズムである。
本研究では,二層型擬似地栄養流システムに適用可能なハイブリッドアンサンブルカルマンフィルタ (H-EnKF) を提案する。
論文 参考訳(メタデータ) (2022-06-09T23:34:49Z) - KalmanNet: Neural Network Aided Kalman Filtering for Partially Known
Dynamics [84.18625250574853]
KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。
我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
論文 参考訳(メタデータ) (2021-07-21T12:26:46Z) - Auto-differentiable Ensemble Kalman Filters [21.325532465498913]
本稿では,データ同化における動的システム学習のための機械学習フレームワークを提案する。
我々の自動微分可能アンサンブルカルマンフィルタ(AD-EnKF)は、状態回復のためのアンサンブルカルマンフィルタと、ダイナミックスを学ぶための機械学習ツールをブレンドする。
論文 参考訳(メタデータ) (2021-07-16T03:25:30Z) - Stabilizing Equilibrium Models by Jacobian Regularization [151.78151873928027]
ディープ均衡ネットワーク(Deep equilibrium Network, DEQs)は、単一非線形層の固定点を見つけるために従来の深さを推定する新しいモデルのクラスである。
本稿では、平衡モデルの学習を安定させるために、固定点更新方程式のヤコビアンを明示的に正規化するDECモデルの正規化スキームを提案する。
この正規化は計算コストを最小限に抑え、前方と後方の両方の固定点収束を著しく安定化させ、高次元の現実的な領域に順応することを示した。
論文 参考訳(メタデータ) (2021-06-28T00:14:11Z) - Layer Pruning on Demand with Intermediate CTC [50.509073206630994]
我々はコネクショニスト時間分類(CTC)に基づくASRの訓練と刈り取り方法を提案する。
本稿では,Transformer-CTCモデルをオンデマンドで様々な深さでプルーニングできることを示し,GPU上でのリアルタイム係数を0.005から0.002に改善した。
論文 参考訳(メタデータ) (2021-06-17T02:40:18Z) - Robust Value Iteration for Continuous Control Tasks [99.00362538261972]
シミュレーションから物理システムへ制御ポリシを転送する場合、そのポリシは、動作の変動に対して堅牢でなければならない。
本稿では、動的プログラミングを用いて、コンパクトな状態領域上での最適値関数を計算するRobust Fitted Value Iterationを提案する。
より深い強化学習アルゴリズムや非ロバストなアルゴリズムと比較して、ロバストな値の方が頑健であることを示す。
論文 参考訳(メタデータ) (2021-05-25T19:48:35Z) - Incorporating Transformer and LSTM to Kalman Filter with EM algorithm
for state estimation [0.0]
筆者らは,Long-Short Term Memory Network (LSTM), Transformer, EM-KFアルゴリズムを組み合わせた状態推定手法を提案する。
線形移動ロボットモデルのシミュレーションにより,新しい手法がより正確であることを示す。
論文 参考訳(メタデータ) (2021-05-01T13:52:28Z) - Autoregressive Dynamics Models for Offline Policy Evaluation and
Optimization [60.73540999409032]
表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。
また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
論文 参考訳(メタデータ) (2021-04-28T16:48:44Z) - Online learning of both state and dynamics using ensemble Kalman filters [0.0]
本稿では,オンライン上での動的および状態の双方,すなわち推定値を常に更新する可能性について検討する。
我々は,(i)グローバルなEnKF,(i)ローカルなEnKF,(iii)反復的なEnKFを通じて,オンラインのダイナミクスを学習することの意味を考察する。
次に,1次元,1スケール,2スケールのカオスロレンツモデルを用いて,これらの手法の有効性を数値的に検証し,精度を評価する。
論文 参考訳(メタデータ) (2020-06-06T13:19:26Z)
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。