論文の概要: Learning Dynamical Systems by Leveraging Data from Similar Systems

• arxiv url: http://arxiv.org/abs/2302.04344v2
• Date: Fri, 24 May 2024 06:19:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-28 00:25:27.589307
• Title: Learning Dynamical Systems by Leveraging Data from Similar Systems
• Title（参考訳）: 類似システムからのデータの活用による動的システム学習
• Authors: Lei Xin, Lintao Ye, George Chiu, Shreyas Sundaram,
• Abstract要約: 本稿では,補助システムによって生成されたデータにアクセスできる場合の線形システムの力学を学習する問題について考察する。 本研究は,ノイズによる本質的なシステム識別誤差の低減に有効であることを示す。
• 参考スコア（独自算出の注目度）: 1.3053088049015455
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of learning the dynamics of a linear system when one has access to data generated by an auxiliary system that shares similar (but not identical) dynamics, in addition to data from the true system. We use a weighted least squares approach, and provide finite sample error bounds of the learned model as a function of the number of samples and various system parameters from the two systems as well as the weight assigned to the auxiliary data. We show that the auxiliary data can help to reduce the intrinsic system identification error due to noise, at the price of adding a portion of error that is due to the differences between the two system models. We further provide a data-dependent bound that is computable when some prior knowledge about the systems, such as upper bounds on noise levels and model difference, is available. This bound can also be used to determine the weight that should be assigned to the auxiliary data during the model training stage.
• Abstract（参考訳）: 本論文は, 線形系の力学を学習する際の問題として, 類似した(同一ではない)ダイナミックスを共有する補助システムによって生成されたデータに, 真のシステムからのデータに加えてアクセス可能であることを考察する。 重み付き最小二乗法を用いて、学習したモデルの有限標本誤差境界を、2つのシステムからのサンプル数と様々なシステムパラメータの関数として、補助データに割り当てられた重みとして提供する。 本研究では,2つのシステムモデルの違いによる誤差の一部を付加することで,ノイズによる本質的なシステム識別誤差を低減できることを示す。 さらに、ノイズレベルの上限やモデル差など、システムに関する事前知識が利用できる場合、計算可能なデータ依存境界を提供する。 このバウンダリは、モデルのトレーニング段階で補助データに割り当てられるべき重量を決定するためにも使用できる。

関連論文リスト

• Synthetic data generation for system identification: leveraging knowledge transfer from similar systems [0.3749861135832073]
  本稿では,データ不足を特徴とするシナリオにおけるモデル一般化とロバスト性の向上を目的とした,新しい合成データ生成手法を提案する。 合成データは、興味あるシステムが属すると考えられる幅広い種類のシステムを記述する、事前訓練されたメタモデルによって生成される。 この手法の有効性は,システム識別プロセスに合成データを組み込むことの利点を強調する数値的な例を通して示される。
  論文  参考訳（メタデータ） (2024-03-08T09:09:15Z)
• Pseudo-Hamiltonian system identification [0.0]
  一階常微分方程式としてモデル化できるシステムを考える。 モデルが未知の減衰や外乱の影響を受けないデータに基づいて訓練されたとしても、内部力学の分析用語を学習することができる。
  論文  参考訳（メタデータ） (2023-05-09T15:22:05Z)
• Identifying the Dynamics of a System by Leveraging Data from Similar Systems [1.9813182042770605]
  類似したシステムによって生成されたサンプルにアクセスできる場合,線形系の力学を同定する問題について検討する。 重み付き最小二乗法を用いて、同定された力学の品質に関する有限サンプル性能保証を行う。
  論文  参考訳（メタデータ） (2022-04-11T23:47:06Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)
• Anomalous Sound Detection Using a Binary Classification Model and Class Centroids [47.856367556856554]
  本稿では, 正規データだけでなく, 他領域の外部データも擬似アノマラス音響データとして用いた二分分類モデルを提案する。 また,2値分類モデルをさらに改善するために,異常音データの追加の有効性についても検討した。
  論文  参考訳（メタデータ） (2021-06-11T03:35:06Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
  状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。 そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。 本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
  論文  参考訳（メタデータ） (2020-06-18T04:54:11Z)
• How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
  本稿では,トレーニングデータの密度と制御性能の関係を考察する。 データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。 フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
  論文  参考訳（メタデータ） (2020-05-25T12:13:49Z)

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。