論文の概要: Deep active learning for nonlinear system identification

• arxiv url: http://arxiv.org/abs/2302.12667v1
• Date: Fri, 24 Feb 2023 14:46:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-27 13:18:12.806802
• Title: Deep active learning for nonlinear system identification
• Title（参考訳）: 非線形システム同定のための深層能動学習
• Authors: Erlend Torje Berg Lundby, Adil Rasheed, Ivar Johan Halvorsen, Dirk Reinhardt, Sebastien Gros, Jan Tommy Gravdahl
• Abstract要約: 我々は非線形システム同定のための新しい深層能動学習手法を開発した。 グローバル探索は、最も情報に富む状態-行動軌道に対応する初期状態のバッチを取得する。 局所的な探索は最適な制御問題を解き、情報の測度を最大化する制御軌道を見つける。
• 参考スコア（独自算出の注目度）: 0.4485566425014746
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The exploding research interest for neural networks in modeling nonlinear dynamical systems is largely explained by the networks' capacity to model complex input-output relations directly from data. However, they typically need vast training data before they can be put to any good use. The data generation process for dynamical systems can be an expensive endeavor both in terms of time and resources. Active learning addresses this shortcoming by acquiring the most informative data, thereby reducing the need to collect enormous datasets. What makes the current work unique is integrating the deep active learning framework into nonlinear system identification. We formulate a general static deep active learning acquisition problem for nonlinear system identification. This is enabled by exploring system dynamics locally in different regions of the input space to obtain a simulated dataset covering the broader input space. This simulated dataset can be used in a static deep active learning acquisition scheme referred to as global explorations. The global exploration acquires a batch of initial states corresponding to the most informative state-action trajectories according to a batch acquisition function. The local exploration solves an optimal control problem, finding the control trajectory that maximizes some measure of information. After a batch of informative initial states is acquired, a new round of local explorations from the initial states in the batch is conducted to obtain a set of corresponding control trajectories that are to be applied on the system dynamics to get data from the system. Information measures used in the acquisition scheme are derived from the predictive variance of an ensemble of neural networks. The novel method outperforms standard data acquisition methods used for system identification of nonlinear dynamical systems in the case study performed on simulated data.
• Abstract（参考訳）: 非線形力学系のモデリングにおけるニューラルネットワークに対する爆発的な研究関心は、データから直接複雑な入出力関係をモデル化するネットワークの能力によって主に説明される。 しかし、一般的には、良い用途に投入できる前に、膨大なトレーニングデータが必要です。 動的システムのデータ生成プロセスは、時間とリソースの両面で、高価な取り組みとなり得る。 アクティブラーニングは、最も情報性の高いデータを取得することで、この欠点に対処する。 現在の作業がユニークなのは、deep active learningフレームワークを非線形システム識別に統合することです。 非線形システム同定のための静的深層学習獲得問題を定式化する。 これは、入力空間の異なる領域でローカルにシステムダイナミクスを探索し、広い入力空間をカバーするシミュレーションデータセットを得ることによって実現される。 このシミュレーションデータセットは、グローバル探索と呼ばれる静的な深層能動学習獲得スキームで使用できる。 グローバル探索は、バッチ取得関数に従って、最も情報性の高い状態-行動軌跡に対応する一連の初期状態を取得する。 局所的な探索は最適な制御問題を解き、情報の測度を最大化する制御軌道を見つける。 情報的初期状態のバッチが取得された後、バッチ内の初期状態からの新たな局所探索を行い、システムダイナミクスに適用され、システムからデータを取得するための対応する制御トラジェクトリのセットを得る。 取得方式で使用される情報測度は、ニューラルネットワークのアンサンブルの予測分散から導かれる。 非線形力学系のシステム同定に使用される標準データ取得手法を,シミュレーションデータを用いた場合の手法と比較した。

関連論文リスト

• Active Learning for Control-Oriented Identification of Nonlinear Systems [26.231260751633307]
  本稿では,非線形力学の一般クラスに適した能動学習アルゴリズムの最初の有限サンプル解析について述べる。 ある設定では、アルゴリズムの過剰な制御コストは、対数係数まで、最適な速度を達成する。 我々は,非線形システムの制御におけるアクティブな制御指向探索の利点を示すとともに,シミュレーションにおける我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2024-04-13T15:40:39Z)
• Controlling dynamical systems to complex target states using machine learning: next-generation vs. classical reservoir computing [68.8204255655161]
  機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。 まず, 従来の貯水池計算が優れていることを示す。 次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。 その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
  論文  参考訳（メタデータ） (2023-07-14T07:05:17Z)
• Learning Latent Dynamics via Invariant Decomposition and (Spatio-)Temporal Transformers [0.6767885381740952]
  本研究では,高次元経験データから力学系を学習する手法を提案する。 我々は、システムの複数の異なるインスタンスからデータが利用できる設定に焦点を当てる。 我々は、単純な理論的分析と、合成および実世界のデータセットに関する広範な実験を通して行動を研究する。
  論文  参考訳（メタデータ） (2023-06-21T07:52:07Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Physics-Informed Kernel Embeddings: Integrating Prior System Knowledge with Data-Driven Control [22.549914935697366]
  カーネル埋め込みを用いたデータ駆動制御アルゴリズムに事前知識を組み込む手法を提案する。 提案手法は,カーネル学習問題におけるバイアス項として,システムダイナミクスの事前知識を取り入れたものである。 純粋にデータ駆動ベースライン上でのサンプル効率の向上と,我々のアプローチのアウト・オブ・サンプル一般化を実証する。
  論文  参考訳（メタデータ） (2023-01-09T18:35:32Z)
• 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)
• 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)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Knowledge-Based Learning of Nonlinear Dynamics and Chaos [3.673994921516517]
  本稿では,非線形システムから観測結果に基づいて予測モデルを抽出するための普遍的な学習フレームワークを提案する。 我々のフレームワークは、非線形システムを連続時間系として自然にモデル化するため、第一原理知識を容易に組み込むことができる。
  論文  参考訳（メタデータ） (2020-10-07T13:50:13Z)
• 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)

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。